这篇论文介绍了一种深度神经网络（DNN），多尺度语义先验特征引导图像修复网络（MFN），用于修补街景图像，以实现隐私保护并为城市应用生成可靠场景。

May, 2024

通过 Crowded Observations 捕获的车载相机，我们介绍了 StreetUnveiler 来重建空旷道路的 3D 表示，通过去除不需要的高斯分布，我们使用时间逆转框架对帧进行填充以增强填充的时序一致性。

May, 2024

通过使用神经点光场场景表示，我们提出了一种处理室外情景视图合成的方法，该方法能够解决运动物体和相机姿态漂移等挑战，并通过检测和屏蔽动态物体来重构无瑕疵的新场景，同时优化相机姿态和视图合成过程，从而实现两者的同时改进。通过在真实世界的城市数据集上进行验证，我们展示了合成城市场景新视图方面的最新成果。

Nov, 2023

本文提出了一种基于街景图像的自动检测并计算感兴趣的重复固定对象的 GPS 坐标的方法，使用两个全卷积神经网络进行处理并使用一种新颖的自定义马尔可夫随机场模型进行三角化，实验证明了本方法的有效性。

Aug, 2017

本文探讨了一种隐私保护的匿名化方法，它针对行人图像保留授权模型的个人身份信息（PII），同时防止第三方识别 PII。通过采用前沿的可逆学习方法，把传统隐私保护的监督式匿名方法与身份不变模型相结合训练，以保护隐私并在保证行人图像语义信息完整的同时，在重新识别任务中取得了较好的表现。

Jul, 2022

从单一源图像生成一致的新视图的方法，利用单目深度估计器将源视图的可见像素转移到目标视图，并通过基于外极线的新的屏蔽机制进一步改善方法的质量，从而在各种对象上实现零样本新视图合成。

Oct, 2023

本论文提出了一个深度学习框架，通过使用卷积神经网络的多类语义分割和条件生成对抗模型来将显示动态内容的图片转换为逼真的静态帧，这种方法可以被用于增强现实领域和基于视觉的机器人定位目的，并在移除动态对象并模拟它们背后的静态结构方面，展示了我们方法的定性和定量比较结果。

Sep, 2018

利用预训练自然语言模型的新框架，结合街景图像和机器学习，深入理解人类感知和场景感受之间的关系，并发现利用深层语义特征对于人类感知研究的重要性和解释力的提升。

Nov, 2023

通过结构运动（SfM）算法获取的点云中的信息足以泄露场景外貌并危及隐私，同时使用级联 U-Net 方法可以重构场景的彩色图像，并生成新的视图，为场景的虚拟旅游提供了可能。

Apr, 2019

我们提出了一个系统，通过在现有的街景图像上插入自然行为的动画行人和车辆，使其活灵活现。我们的方法是将输入图像中的现有人和车辆移除，插入具有适当比例、角度、运动和外观的移动对象，规划路径和交通行为，并以合理的遮挡和阴影效果渲染场景。该系统通过重建静止图像街景、模拟人群行为以及以一致的光照、可见性、遮挡和阴影进行渲染来实现这些目标。我们在包括常规静态图像和全景图在内的多种街景场景上展示了结果。

Oct, 2023