CVPRAug, 2016

利用全局图像上下文检测非曼哈顿世界中的消失点

PDF
TL;DR本文提出了一种在人工环境中检测水平消失点和天顶消失点的新方法，利用深度卷积网络提取全局图像上下文，并逆转现有方法的先后顺序，通过提出一组地平线候选者并针对其包含的消失点对其进行打分，而非先找到候选消失点再通过强制互相正交来消除异常值。我们在三个基准数据集上评估了我们的方法，并在每个数据集上均取得了最好的性能，同时我们的方法明显快于之前最好的方法。
发现论文，激发创造
  • 卷积神经网络检测消失点

    通过训练卷积神经网络，我们针对自然场景中的路面图像进行了消失点预测，并与文献中经典的消失点检测方法进行了比较。结果显示，我们的方法能够更有效地预测消失点。

    Sep, 2016

  • 自然场景中的主要消失点检测及其在构图敏感图像检索中的应用

    我们使用轮廓检测来解决自然景观场景中缺乏强边缘的问题，该方法能够检测出主导消失点和相关线结构，以实现对线性透视在风景摄影中的自动理解。我们的方法明显优于最先进的方法，并通过一种新颖的视点特定图像检索系统，进一步展示了我们的线性透视理解方法如何为业余摄影师提供现场指导。

    Aug, 2016

  • 深度消失点检测：几何先验使数据集差异消失

    通过注入先验知识，减少数据注释和计算并缓解域变化，提高数据效率，强健性，并适应非曼哈顿设置的深度消失点检测网络。

    Mar, 2022

  • 利用反高斯投影进行消失点检测的深度学习

    提出了一种新的从非校准单目图像中检测消失点的方法，并使用卷积神经网络（CNN）基于从图像中检测到的线采用反面点投影的高斯球表示进行训练。该算法使用合成数据来训练，无需标记图像，达到了竞争性的性能，可用于其他用例。

    Jul, 2017

  • HoughNet: 用于消失点检测的神经网络架构

    本文介绍了一种基于快速霍夫变换层的新型神经网络架构，将其应用于处理文档图像中的消失点检测问题，并使用 MIDV-500 数据集证明其强大的泛化能力。

    Sep, 2019

  • 从图像获取俯视图的几何方法

    本文提出了一种快速、稳健的方法，利用包含地面水平线和垂直消失点等基础几何信息的单张图像进行透视矫正，并且使用合适的神经网络模型进行训练和预测，从而达到了全球最好的水平线检测性能（AUC 值为 74.52%）。该方法可以应用于实时视频透视矫正。

    May, 2019

  • 无标定图像中基于地心先验的消失点估计

    利用先验的垂直方向，我们解决了估计曼哈顿框架（即三个正交消失点）和相机的未知焦距的问题。通过对最小线配置的详尽分析，我们得出了两个新的 2 线解算器，其中一个不会受到影响现有解算器的奇异性的影响。此外，我们设计了一种新的非最小方法，在任意数量的线上运行以增强局部优化的性能。通过在混合鲁棒估计器中组合所有解算器，我们的方法即使在粗略的先验条件下也能实现更高的准确性。在合成和实际数据集上的实验证明了我们方法相对于最先进技术的卓越准确性，同时具有可比较的运行时间。我们进一步证明了我们解算器在相对旋转估计中的适用性。

    Aug, 2023

  • NeurVPS: 通过圆锥卷积实现的神经消失点扫描

    本文提出了基于几何启发式卷积算子的深度网络，以检测图像中的消失点，该算子在规范的圆锥空间内被实现为常规卷积，该方法显著提高了传统方法检测消失点的性能。

    Oct, 2019

  • 荒野中的地平线

    本文介绍了一个名为 “野外地平线”（HLW）的大规模数据集，探究了卷积神经网络在不依赖几何约束或特殊提示的情况下，直接估算地平线的应用，采用我们的 CNN 模型，在 HLW 数据集和其他两个基准数据集上实现了最先进的结果。

    Apr, 2016

  • 单图像摄像机标定的神经几何解析器

    我们提出了一个神经几何解析器，通过学习使用单个图像进行机器场景的相机校准。相比之前仅依赖于神经网络得到的语义提示的神经网络方法，我们的方法同时考虑了语义和几何提示，从而显著提高了准确性。

    Jul, 2020