Mar, 2021

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

PDF
TL;DR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。
unsupervised deep homography estimationhomography flow representationlow rank representation blockfeature identity lossimage feature warp-equivariant
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

  • 无监督深度单应性：一种快速而强大的单应性估计模型

    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。

    Sep, 2017

  • 半监督深度大基线单应矩阵估计与渐进等价约束

    本文提出了一种基于渐进式估计策略和半监督学习的方法来解决大基线情况下的单应矩阵估计问题，该方法在大基线场景下取得了最先进的性能，并在小基线场景中保持了竞争性能。

    Dec, 2022

  • 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

  • 基于真实数据生成的有监督单应性矩阵学习

    我们提出了一个迭代框架，包括生成阶段和训练阶段，用于生成逼真的训练数据并产生一个监督单应性网络。通过这种迭代策略，数据集的质量和网络的性能可以逐渐提高。实验结果表明，我们的方法达到了最先进的性能，并且现有的监督方法也可以在生成的数据集基础上进行改进。

    Jul, 2023

  • 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

  • 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

  • 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

  • UFD-PRiME: 通过像素级刚体运动估计进行光流和立体深度的无监督联合学习

    用联合训练的方式估计光流与视差，进而获取更精细的遮挡与物体边界，同时估计动态物体的刚体运动。

    Oct, 2023