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
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
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
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
提出了一种新颖的贝叶斯框架,通过一个仿射变换明确地将一个视频帧的单应性与下一个视频帧关联起来,同时明确建模关键点的不确定性。该方法使用了两阶段卡尔曼滤波器,在现有方法的基础上显著改进了其性能,并使得不太复杂且计算成本较低的方法在大多数单应性评估指标上胜过了最先进的方法。
Nov, 2023
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
提出了一种基于卷积神经网络的平面跟踪方法,该方法可以考虑到出现变化、相机和物体相对运动以及遮挡等因素,联合估计单应性、能见度和置信度,融合进 Lucas-Kanade(LK)跟踪器中,能够在 POT 和 TMT 公共数据集上表现出色,并且在合成高质量视频广告等实际应用中也有着优异的表现。
Sep, 2022
本文提出了一种基于 Homography Decomposition Networks(HDN)的新方法,通过将单个参数空间分解成两个组来稳定计算条件数,它包括了相似变换估计器,卷积等变网络,简单回归模型来实现残差变换,用半监督方式训练,实验证明,在 POT、UCSB 和 POIC 数据集上,比当前最先进的平面跟踪方法表现优异。
Dec, 2021
我们提出一种新颖的方法来实现细粒度的跨视图地理定位,通过使用单应性估计将畸变的地面图像与相同区域的带 GPS 标记的卫星图像对齐,将地面和航拍图像置于同一视图和同一平面上,减少了任务的复杂性,通过映射变换后地面图像的中心点到卫星图像并确定地面相机的方向来实现亚像素和米级的 GPS 精度定位。
Aug, 2023
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