AAAIDec, 2022

半监督深度大基线单应矩阵估计与渐进等价约束

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 半监督 2D 人体姿态估计中的折叠问题实证研究

    该研究介绍了一种稳定半监督学习方法的做法，该方法通过相互教学的方式学习可靠的伪标签，避免了训练过程中出现的高度不平衡的类分布问题。

    Nov, 2020

  • 视觉地点识别的深度单应矩阵估计

    通过基于 Transformer 的深度单应估计网络，利用密集特征图进行几何验证，以提高视觉地点识别的速度和精度。通过在无需额外标签的情况下联合训练主干网和单应估计网络，优化特征提取和局部匹配，实验证明该方法在性能上超过了多个最先进的方法，并且比使用 RANSAC 的传统分层 VPR 方法快一个数量级。

    Feb, 2024

  • 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