CVPRMar, 2023

PRISE: 强烈星凸约束下的深度 Lucas-Kanade 算法用于多模型图像对齐

PDF
TL;DR介绍了一种新颖的 PRISE 算法，通过引入强的星凸约束来解决 LK 法在大畸变图像配准时的优化问题，该算法使用神经网络近似学习地面真值周围的星凸损失，并基于高维空间定义的网络降低 LK 法收敛到地面真值的误差。
lucas-kanade methodhomography estimationmultimodel image alignmentneural networkstar-convex loss
发现论文，激发创造
  • 深度 Lucas-Kanade 同态变换实现多模态图像对齐

    通过深度 Lucas-Kanade 特征映射 (DLKFM) 实现像素级别对齐多模态图像对，对于具有不同外观变化的图像对的对齐，具有较高的容忍度。

    Apr, 2021

  • 条件 Lucas&Kanade 算法

    通过直接学习线性模型预测外观的几何位移，以及采用新的策略来确保生成像素独立性的前提下，我们提出了一种新方法：条件 LK 算法。我们展示了我们的方法比经典的 LK 算法更具优越性能，并展示了与最先进的方法相当的性能，例如具有极少的训练示例的受监督下降方法，以及在不重新训练的情况下 “交换” 几何变形函数的独特能力。从理论上讲，我们的方法提示了当前最先进的对准方法中可能存在的冗余，这些冗余可能在未来的视觉系统中得到利用。

    Mar, 2016

  • 无人机采集的可见光和红外图像对的深度图像对齐

    本论文提出了一种基于深度学习的多模态图像对齐解决方案，通过使用卷积神经网络的特征嵌入模块，实现了无需使用基于 Lucas-Kanade (LK) 方法即可取得与最先进方法相媲美的结果。我们的方法在四个航拍数据集上进行了测试，与现有的最新深度 LK 架构相比，取得了最先进的结果。

    Feb, 2024

  • PointNetLK: 使用 PointNet 实现鲁棒高效的点云配准

    本文提出了一种基于 Lucas & Kanade (LK) 算法的 PointNet 学习可变成像函数的方法，以便将其应用于点云配准问题，并且构建了一个单可训练的递归深度神经网络，提高了点云配准的计算效率以及推广到不同形状类别中的性能表现。

    Mar, 2019

  • 具有收敛性和稳健性保证的存储效率模型的深度学习

    介绍一种记忆效率高、具有计算成像和深度学习特性的算法，该算法利用了先前压缩感知算法提供的独特性、收敛性和稳定性特点，使用循环梯度下降和共轭梯度算法交替应用以实现数据一致性，同时模拟了单调卷积神经网络的得分函数，保证了输出唯一性和收敛性，而且提出的深度平衡公式比现有算法更省内存，能够处理现有算法无法处理的三维或 2D + 时间问题。

    Jun, 2022

  • 有条件强对数凹生成模型

    介绍了条件强对数凹模型的概念，该模型将数据分布因子化为强对数凹条件概率分布的乘积，并使用适应于数据分布的正交投影器来实现因子化，从而实现了有效的参数估计和抽样算法，并在物理字段等多个领域展示了该模型的实用性。

    May, 2023

  • 图像反问题的约束优化表达式的增广 Lagrangian 方法

    本文提出一种有效的算法来解决图像恢复应用中的约束问题，包括去卷积和从压缩观测中重建图像，使用总变差或小波（或更一般的框架）正则化。该算法属于增广 Lagrange 方法的范畴，并表现出在一定条件下具有收敛性。本文的结果表明，所提出的算法在图像恢复领域中具有最先进的技术水平。

    Dec, 2009

  • 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

  • 利用前沿的基于深度学习的图像匹配技术重建稀疏图像中的大场景

    我们提出了一个在 AISG-SLA 视觉定位挑战竞赛中获得第一名的解决方案，该任务是估计通过一个车载相机在城市场景中连续拍摄的图像之间的相对运动。我们使用我们最近基于深度学习的匹配器 RoMa 对图像进行匹配，并从中样本点进行相对运动估计，取得了非常有竞争力的成绩 - 在挑战竞赛中排名第三。为了提高估计准确度，我们提取图像中的关键点，使用 RoMa 进行匹配，并使用 COLMAP 进行结构运动重建。我们选择最近的 DeDoDe 关键点因其高可重复性。此外，为了解决图像序列中的时间跳跃问题，我们使用 DINOv2 进行图像检索，并匹配特定的非连续图像对。这些改进使我们的解决方案超过了所有竞争对手。我们还通过匹配手动选择的非连续图像对，给出了图像检索方法可达到的精度的上限。

    Oct, 2023

  • 基于深度学习的立体稠密匹配数据集转移评估

    从 LiDAR 和图像直接生成地面实况视差图以产生大量且多样化的数据集，并通过 LiDAR 与图像间的配准细化方法来避免精度损失和处理遮挡，从而实现了在不同数据集中评估 11 种密集匹配方法，其中 GANet 在相同的训练和测试数据上表现最佳，而 PSMNet 在不同数据集上表现稳健，并提出了在有限数据集上进行训练的最佳策略。

    Feb, 2024