尺度调整下的图像匹配
本论文提出了一种实用的建立图像间稠密一一对应的方法,利用像素的上下文信息估计本地尺度,并使用三种方法在整个图像中保持比例不变特征提取,有效地解决了局部尺度不同的问题,实现了不同图像之间的准确的稠密对应,且计算成本较小。
Jun, 2014
本文提出了一种几何解释方法,可用于解释取向和尺度协变特征检测器(例如 SIFT)提供的角度和尺度。在此基础上,提出了两个新的通用限制并引入到同态估计任务中。此外,还给出了一个求解器来从最小数量的两个对应点对中估计单应性并进行测试。
Jun, 2019
本研究提出了一种基于无监督学习的视差匹配方法,通过特征度量一致性而非图像度量一致性来解决不同分辨率图像之间的挑战,并引入了一种自我增强的策略来优化特征提取器,在模拟数据集和真实世界数据集上,取得了优于现有解决方案的表现。
Apr, 2022
我们提出了一种端到端的框架,通过逐层搜索相应关系来解决高分辨率图像上的实时立体匹配问题,利用所提出的数据集进行训练和评估并在速度上超过竞争对手 ,能够在低延迟(30 毫秒)内准确预测近距离结构的视差,所提出的层次结构设计可以灵活地平衡性能与速度,用于自动驾驶等时间关键的应用。
Dec, 2019
本篇论文介绍了一种学习匹配函数的方法,该方法能自动发现允许视觉外观变化的空间,并学习相关特征在不同相对位置和尺度上的匹配分数的重要性。该算法已在 KITTI、Sintel 和 TimeLapse 数据集上实现了有希望的结果。
Feb, 2015
本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系,并且利用稀疏可靠特征匹配而非优化所有成对对应关系,同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异,同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。
Nov, 2017
本文提出了一种多尺度匹配网络,该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配,并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明,该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。
Jul, 2021
本文提出了一种名为 C2-Matching 的方法,用于通过引入高分辨率参考图像增强低分辨率输入图像。该方法解决了输入和参考图像之间的尺度、旋转和分辨率差异等挑战,并在基准测试 CUFED5 数据集上比现有的 Ref-SR 方法表现出更高的性能,同时还表现出在大尺度和旋转变换方面的稳健性。同时本文贡献了一个名为 WR-SR 的数据集,模拟实际使用场景。
Jun, 2021
本文介绍了一种可解释的图像嵌入方法,通过对已知具有 3D 可视表面重叠的训练示例进行测量,从而学习场景特定的相似度,并通过简单且快速的方式减少了在不同比例下的查询图像匹配和几何验证中的搜索成本。
Aug, 2020
本文提出一种全局优化的方法,用于同时匹配多张图像,将问题表述为低秩矩阵恢复问题并提供了一种快速交替最小化算法来解决该问题,在模拟和真实实验中,该算法与最先进的算法相比具有相同的计算性能但加速一个数量级。最后,证明了该方法的适用性,可以通过匹配不同对象实例的图像来重建特定类别的对象模型。
May, 2015