深度图像单应性估计
本篇论文研究并讨论如何设计和训练一种深度神经网络,以处理动态场景的单应性估计问题,通过多尺度网络进行设计和训练,在估计动态场景的单应性时,同时完成了动态内容检测的任务,使得该方法在具有挑战性的场景中具有较高的算法鲁棒性。
Apr, 2020
提出了一种无监督深度视觉几何估计方法来提高图像配准的精度,通过学习异常值掩模以去除噪声和提取更可靠的样本进行估计,使用 RANSAC 机制进行可靠区域选择,并专注于学习深度特征来计算损失,同时不忽略在真实场景中处理视差和运动物体的重要性。
Sep, 2019
本研究提出一种无监督学习算法,利用深度卷积神经网络估算平面单应矩阵,相较于传统方法和监督式学习算法其具有更快的推理速度、更好的光照变化适应性和优于同类方法的性能表现。
Sep, 2017
通过基于 Transformer 的深度单应估计网络,利用密集特征图进行几何验证,以提高视觉地点识别的速度和精度。通过在无需额外标签的情况下联合训练主干网和单应估计网络,优化特征提取和局部匹配,实验证明该方法在性能上超过了多个最先进的方法,并且比使用 RANSAC 的传统分层 VPR 方法快一个数量级。
Feb, 2024
本文提出了一种基于 Homography Decomposition Networks(HDN)的新方法,通过将单个参数空间分解成两个组来稳定计算条件数,它包括了相似变换估计器,卷积等变网络,简单回归模型来实现残差变换,用半监督方式训练,实验证明,在 POT、UCSB 和 POIC 数据集上,比当前最先进的平面跟踪方法表现优异。
Dec, 2021
本文提出了一种基于卷积神经网络的方法来估计两个相机之间的相对姿态,该方法采用来自两个相机的 RGB 图像作为输入,并直接输出相对旋转和平移。与 SURF、ORB 这些广泛使用的局部特征方法相比较,该方法采用端到端的方式训练,利用大规模分类数据集进行迁移学习,结果表明相对基准线有明显的改进。此外,本文还介绍了一种包含空间金字塔池化 (SPP) 层的网络结构变体,并证明进一步提高了性能。
Feb, 2017
本文提出了一种基于卷积神经网络的深度估计方法,结合迁移学习使用高性能网络初始化编码器以及增强和训练策略以获得更准确的结果,结果表明,即使是非常简单的解码器,我们的方法也能够产生细节详尽的高分辨率深度图像。
Dec, 2018
本文提出了一种用于改善深度估计的 CNN 体系结构,该体系结合语义分割任务。所提出的模型是使用无监督方法进行训练的,并采用双目摄像系统的图像对。实验表明,使用语义分割的嵌入可以提高深度估计的性能
Sep, 2018
本文提出了迭代单应性网络(IHN),一种新的深度学习单应性估计架构,通过可训练的迭代器和多尺度方法可以实现对静态场景和动态场景中移动目标的高精度估计。实验表明,IHN 可以实现 95%的误差减少和 32.7fps 的处理速度。
Mar, 2022