Sep, 2017

无监督深度单应性：一种快速而强大的单应性估计模型

PDF
TL;DR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。
homography estimationaerial imagesautonomous explorationdeep convolutional neural networkunsupervised learning
发现论文，激发创造
  • 内容感知无监督深度单应矩阵估计

    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

  • 具有共面感知 GAN 的无监督单应性估计

    本研究提出了一种新的方法 HomoGAN，用于引导无监督的单应性估计关注主平面，并利用多尺度变换网络和图像生成对抗网络来解决来自平面诱导视差引起的问题以及验证其有效性。

    May, 2022

  • 学习知识丰富的序列模型，用于航拍视频中平面单应性估计

    该论文提出了一种无监督方法，利用原始航拍视频学习估计相邻视频帧之间的平面同形变换，通过加入时空知识进行学习的正则化，进一步提高了系统性能。

    Apr, 2023

  • 深度图像单应性估计

    该研究提出了一种利用卷积神经网络实现图像之间的变换估计的方法，可以避免传统的局部特征检测和变换估计方法的复杂度，并展示了多种基于深度估计变换的应用场景。

    Jun, 2016

  • 动态场景下的深度单应性估计

    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

  • 基于运动基学习的无监督深度单应矩阵估计及子空间投影

    该论文提出了一种新的无监督深度单应性估计框架，使用基于 homography flow 的表示方法，配合低秩分解块和特征恒等性损失函数，实现了更加稳定有效的无监督优化，优于当前同类竞品。

    Mar, 2021

  • 强健性遇上深度学习：一种端到端的混合流水线用于无监督学习自我运动

    本文提出一种方法，将深度学习光流和单目视差的预测与基于模型的优化过程相结合，用于瞬时相机姿态估计，并在 KITTI 数据集上展示了最新的结果

    Dec, 2018

  • GANVO: 基于生成对抗网络的无监督单目视觉里程计与深度估计

    本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

    Sep, 2018

  • 用感知损失实现鲁棒的无监督单应矩阵估计

    本研究尝试通过使用双向隐式 Homography 估计（biHomE）损失，并在合成的 COCO 数据集上进行测试，证明该方法在光照变化方面的鲁棒性相对于现有方法更强，并且可以实现无监督学习的 Homography 估计。

    Apr, 2021

  • 视觉地点识别的深度单应矩阵估计

    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