卫星到街景合成用于地理定位
通过筛选 20 篇研究论文,本研究全面回顾了从对应的卫星图像合成街景图像的最新技术,主要发现是:(i)需要采用新颖的深度学习技术来合成更加逼真准确的街景图像;(ii)需要收集更多的数据集供公众使用;(iii)需要研究更加具体的评估指标来恰当评估生成的图像。结论是,由于使用了过时的深度学习技术,最近的文献未能生成详细多样的街景图像。
May, 2024
本文提出了一种新方法,通过使用单张卫星图像和相机轨迹合成具有时间和几何一致性的全景视频。该方法使用了 3D 点云表示场景,并通过相应生成的稠密三维到二维相对应关系,实现了几何和时间上的一致性。同时使用级联网络和两个 Hourglass 模块生成粗特征和细特征以及最后生成逼真的视频。该方法在实验中得到了超越其他现有的合成方法的优异结果,并且是首个成功将跨视角图像合成为视频的方法。
Dec, 2020
本文提出了一种车载摄像机定位的解决方案,通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上,并把匹配问题转化为姿态估计问题来提高定位精度。
Apr, 2022
本文基于深度卷积神经网络,提出了一个新的框架,用于跨视角图像地理定位,包括 Faster R-CNN 和 Siamese 网络,并将其在一个新的数据集上进行了评估,结果表明该方法比其他方法具有更好的定位精度,并能够推广到未见过的位置。
Mar, 2017
本文针对在地面视图图像查询给定地理参考卫星地图的定位问题提出了一种基于 CVM-Net 的 Markov 定位框架,通过更广泛的实验结果和分析,它扩展了我们早期关于 CVM-Net 的工作,并提出了一种 Markov 定位框架,该框架可以在可用的地面图像流视频的情况下增强地理定位结果。实验结果表明,我们提出的 Markov 定位框架可以在新加坡数据集上持续实现小误差内的车辆定位。
Mar, 2019
使用街景图像进行定位时,精细定位角度的准确度对于提高街景图像的定位和地理定位任务的性能至关重要。本研究提出了两种方法,实现了对街景图像角度的细致估计,相较于以前的方法,准确度提高了 34.9% 至 28.2%。在训练中整合了精细定位角度估计,进一步提升了地理定位的性能。
Jul, 2023
本文研究了将查询街景图像与参考集中带有 GPS 标记的航空图像进行匹配的问题,并指出了图像对齐信息的被忽视问题,研究表明,基于度量学习技术的改进可以显著提高性能而无需利用对齐信息,同时使用 Grad-CAM 进行可视化来理解模型以及对齐信息的效果,提出了一种新的方法来估计未知对齐信息下的交叉视图图像之间的方向 / 对齐,其在 CVUSA 数据集上取得了最新的结果。
May, 2020
本文提出了一种基于几何感知的地球到卫星图像地理定位方法,该方法可以实现对查询图像的精准定位,其精度可达卫星图像的像素级,同时提出了一种新的基于几何感知的图像检索流程,以提高定位准确性。
Mar, 2022
利用深层卷积神经网络对地面和卫星俯视图进行交叉检索,实现图像地理定位,提出了一种新的损失函数,并采用多种匹配机制和旋转不变训练来提高图片匹配精度和效率。
Jul, 2016