Jun, 2021

无监督深度图像拼接：重建拼接特征到图像

PDF
TL;DR本论文提出了一种基于无监督深度学习的图像拼接框架，包括无监督的粗略图像对齐和无监督的图像重建两个阶段，使用了降分辨率变形支路和提高分辨率的精化支路，其精度优于现有的其他技术。
image stitchingunsupervised deep learningimage datasetcoarse alignmentimage reconstruction
发现论文，激发创造
  • 增强和融合特征重建的隐式神经图像拼接

    提出一种新颖方法 —— 隐式神经图像拼接（NIS），通过估计图像的傅里叶系数进行质量增强的扭曲，以解决现有图像拼接方法中的模糊伪影和不同的光照、深度等差异问题，进而在保留高频细节的同时实现快速图像增强。

    Sep, 2023

  • 深度矩形图像拼接：一种学习基础线

    本文提出了第一个基于深度学习的图像矩形化解决方案，使用预设的刚性目标网格和全卷积网络进行初始网格的预测，并提出了一个全面的目标函数以同时提高边界矩形化、网格形状保持和内容自然性，实验结果表明本方案在数量和质量上均优于传统方法。

    Mar, 2022

  • 面向真实世界全景图像生成的弱监督拼接网络

    提出了一种基于深度学习的缝合模型，采用弱监督学习机制训练，实现对多个鱼眼图像的 360 度输出，通过色彩一致性校正、畸变校正和图像融合实现，其训练采用感知损失和 SSIM 损失函数，在两个真实的缝合数据集上进行了有效性验证。

    Sep, 2022

  • 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

  • 使用深度惩罚重建紧密对齐数百万图像

    该论文提出了一种基于稠密融合的空间变换器网络和低容量自编码器的无监督联合对准方法，能够在 MNIST 和 LFW 数据集中高精度、鲁棒地对齐数百万张图像，比现有方法具有更好的对齐质量和初始鲁棒性。

    Aug, 2019

  • 半监督深度特征重建视差估计

    通过联合使用带标签的合成数据和无标签的实际数据的有监督训练和自监督训练，提出了半监督的流水线，成功地将 DispNet 适应到实际环境中，并分析了深层特征重建对视差估计的影响。

    Jun, 2021

  • 提高场景理解能力的鲁棒多模态图像拼接

    该研究论文提出了一种独特且综合的图像拼接流程，利用 OpenCV 的拼接模块，通过集成基于特征匹配、变换估计和融合技术，实现了无论图像间的光照、尺度或方向差异如何，都能产生顶级质量的全景视图，并在多种数据集上进行测试，发现其在增强场景理解和找到实际应用方面非常有效。

    Dec, 2023

  • 图像拼接流程简化：将融合和矩形化集成为统一模型

    通过将融合和矩形化阶段结合成一个复合模型，我们提出了一种简单和鲁棒的无需训练的图像拼接方法（SRStitcher），该方法不仅简化了图像拼接流程，而且增强了对误注册错误的容错能力。

    Apr, 2024

  • 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

  • 弱监督学习下的精确三维人脸重构：从单张图像到图像集

    本文提出了一种使用深度学习技术进行 3D 面部重建的新方法，其中使用了混合损失函数进行弱监督学习，同时利用多个图像进行面部重建，实现了快速、准确、鲁棒的重建效果，对不同数据集进行了综合实验，并与 15 种现有方法进行了比较，证明了其性能处于领先地位。

    Mar, 2019