用感知损失实现鲁棒的无监督单应矩阵估计

CVPRApr, 2021

用感知损失实现鲁棒的无监督单应矩阵估计

Perceptual Loss for Robust Unsupervised Homography Estimation

Daniel Koguciuk, Elahe Arani, Bahram Zonooz

TL;DR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。

Abstract

homography estimation is often an indispensable step in many computer vision tasks. The existing approaches, however, are not robust to illumination and/or larger viewpoint changes. In this paper, we propose bidi

homography estimation computer vision unsupervised learning feature space photometric distortion

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

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

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

HomE: 同态变换等变视频表示学习

本研究提出了一种新方法，使用自我监督的表示学习来学习多视角视频的表示空间，其中通过显式建立具有 Homography Equivariance（HomE）的表示空间，来更好的利用自我监督的信息，并在 UCF101 数据集上取得了 96.4％的准确率以及在 STIP 数据集上超越现有方法的 6％准确率以及 91.2％的分类准确率。

Jun, 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

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

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。

Mar, 2021

单目三维物体检测的单应性损失

本文提出了一种新的单目三维目标检测方法，通过考虑物体间的几何关系，探索它们的相互关系来更好地估计三维框，并使用检测到的二维框来全局约束相应的三维框的优化，通过提出的可微分损失函数（Homography Loss）来实现这一目标。实验证明，该方法表现出比其他最先进的方法在 KITTI 3D 数据集上具有更好的性能。

Apr, 2022

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

经过校准或部分校准的半广义单应矩阵

该论文提出了从场景平面引出的五个二维 - 二维图像点对应所能获得的对于半广义单应性的第一种最小解决方案。其中一个解决器假设透视相机完全校准，而另一个解决器则估计未知的焦距和绝对姿态参数。

Mar, 2021

动态场景下的深度单应性估计

本篇论文研究并讨论如何设计和训练一种深度神经网络，以处理动态场景的单应性估计问题，通过多尺度网络进行设计和训练，在估计动态场景的单应性时，同时完成了动态内容检测的任务，使得该方法在具有挑战性的场景中具有较高的算法鲁棒性。

Apr, 2020