深度矩形图像拼接:一种学习基础线
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。
Jun, 2021
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
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
该论文提出了一种基于深度学习的单视图网格重建框架,能够从单个 0 维模板网格生成具有复杂拓扑结构的高质量网格,其关键在于交替使用网格变形和拓扑修改两个网络。
Sep, 2019
通过扩散学习框架,将图像拼接由非矩形边界转化为矩形边界,并利用运动扩散模型和内容扩散模型来提高几何准确性和视觉效果,在公开基准测试中取得了优于以往方法的定量和定性评估结果。
Mar, 2024
本文提出了一种基于深度学习的方法来同时校准鱼眼镜头的内部参数和矫正失真的图像,并进一步针对其非线性失真分布和特定几何形状设计了一种多尺度感知的神经网络,通过新的数据集测试发现该方法相比于其他先进算法能在合成和真实数据的鱼眼图像上较好地矫正并准确估计失真参数。
Apr, 2019
提出了一种使用欧氏距离图将矩形作为软约束的新型分割方法,通过将图像与这些距离图拼接并将对象掩模预测为输出,我们的方法在给定不精确的矩形的情况下获得准确的分割结果,且适用于交互式分割和实例分割,同时在不重新训练的情况下扩展到基于曲线的输入,并通过条件随机场解决重叠问题,实验结果表明了该方法的有效性。
Jul, 2017
本文针对图像拼接过程中目标被裁剪、遗漏或复制而导致的错误进行研究,提出一种基于目标检测的算法来解决这个问题,并将其用于修改拼接过程中的能量函数,从而获得更加逼真和鲁棒的拼接结果。同时,该方法还可以用于检测输入数据中不可恢复的遮挡,并提出了一种简单的评估指标来评估图像拼接算法的输出结果。
Nov, 2020
本研究介绍了第一个基于深度学习的方法,用于去除自由拍摄的广角人像照片中的透视失真和形变等因素,建立了一个包括 LineNet,ShapeNet 和 transition module(TM)的级联网络,并提出了两个新的度量标准:线条一致性和面部一致性,相比之前的最先进方法,本方法不需要相机失真参数,能够在身份、场景和相机模块的大多数多样性方面得到较好的性能。
Apr, 2021