CVPRSep, 2019

基于深度学习的盲图像几何失真校正

PDF
TL;DR我们提出了第一个通用框架，用于自动纠正单个输入图像中不同类型的几何畸变。我们的方法采用卷积神经网络（CNN），通过使用大型合成畸变数据集进行训练，以预测扭曲图像和校正图像之间的位移场。模型拟合方法使用 CNN 输出估计畸变参数，实现更准确的预测，并使用高效，高质量的重采样方法生成最终的校正图像。实验结果表明，我们的算法优于传统的校正方法，可实现有趣的应用，如畸变转移，畸变夸张和共同发生的畸变校正。
geometric distortionconvolutional neural networksdistortion transferdistortion exaggerationdistortion correction
发现论文，激发创造
  • DeepCorrect: 对抗图像扭曲的深度神经网络模型校正

    本文提出了一种称为 DeepCorrect 的方法，通过对权值进行微调，修正深度神经网络中感受野受损图像变形的问题，该方法显著提高了网络的鲁棒性和性能。

    May, 2017

  • 使用离散余弦变换的深度卷积神经网络进行失真鲁棒图像分类

    本文提出一种基于离散余弦变换的 DCT-Net 模块，可用于改善卷积神经网络 (CNN) 在面对包括高噪音、模糊等多种苟且不净的图像质量下的分类表现。通过丢弃高频信息，DCT-Net 能够在训练和测试过程中自适应地适应各种扭曲情况，仅需盲目一次训练即可用于未知的图像失真情况，结果表明 DCT-Net 在 CIFAR-10/100 和 ImageNet 测试数据集上具有更好的分类准确性。

    Nov, 2018

  • 使用深度卷积神经网络进行指纹畸变校正

    本文提出了一种基于深度卷积神经网络的指纹形变修正模型，可快速准确地估计图像的形变参数，从而显著提高了扭曲样本的匹配性能。

    Jan, 2018

  • 使用深度卷积神经网络对失真图像进行分类

    本文系统研究图像失真对深度神经网络分类器的影响，提出了重训练与加噪音微调两种方法，结果表明在特定条件下，加噪音微调可以有效减轻图像失真对分类器的影响，并且比重新训练更为实用。

    Jan, 2017

  • DGC-Net：密集几何对应网络

    本研究针对两幅图像之间密集像素对应估计的挑战进行探讨，提出了一种基于粗到细的 CNN 框架，能够扩展光流方法的优势，解决大范围变换并提供密集和亚像素准确估计的问题，并在相对摄像机姿态估计问题上表现优异。

    Oct, 2018

  • 使用全卷积网络估计位移流进行文档图像去扭曲

    通过全卷积神经网络 (FCN) 估算像素位移来实现文档图像矫正与背景消除，我们提出了一种新的框架来估算像素位移，训练 FCN 通过回归失真文档的位移，我们提出了局部平滑约束（LSC）作为正则化以控制平滑度。实验表明，我们的方法在各种几何失真下可有效去除文档图像畸变，并在局部细节和总体效果上取得了最先进的性能。

    Apr, 2021

  • 学习校准鱼眼图像的直线以进行校正

    本文提出了一种基于深度学习的方法来同时校准鱼眼镜头的内部参数和矫正失真的图像，并进一步针对其非线性失真分布和特定几何形状设计了一种多尺度感知的神经网络，通过新的数据集测试发现该方法相比于其他先进算法能在合成和真实数据的鱼眼图像上较好地矫正并准确估计失真参数。

    Apr, 2019

  • 高质量韧性深度神经网络

    研究神经网络在图像分类中受质量失真的影响，提出了一种基于混合专家模型的解决方案，通过权重共享方式减少网络参数数量并提高性能。

    Mar, 2017

  • 自标定中的退化问题再审视及未标定 SLAM 的深度学习解决方案

    本文提出了一种学习方法，使用卷积神经网络对相机自校准进行校正，以解决使用双视图几何方法自校准径向畸变时径向畸变和场景深度之间的歧义，该方法在 SLAM 应用中表现出与以前学习和手工方法相当或优异的性能。

    Jul, 2019

  • GDCNet：使用深度学习进行无标定几何畸变校正的回声平面成像数据

    GDCNet 是一种实现了新颖的方法，通过非线性配准到 T1 加权解剖图像来估计几何畸变图，实现了功能图像的快速畸变校正，并在回顾性和前瞻性获取的数据集上展示出来。

    Feb, 2024