ICCVJul, 2023

基于真实数据生成的有监督单应性矩阵学习

PDF
TL;DR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。
iterative frameworksupervised homography networktraining data generationcontent consistency modulequality assessment module
发现论文，激发创造
  • 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

  • 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

  • 学习知识丰富的序列模型，用于航拍视频中平面单应性估计

    该论文提出了一种无监督方法，利用原始航拍视频学习估计相邻视频帧之间的平面同形变换，通过加入时空知识进行学习的正则化，进一步提高了系统性能。

    Apr, 2023

  • 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

  • 半监督深度大基线单应矩阵估计与渐进等价约束

    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。

    Dec, 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

  • 基于 GNN 的自动相机校准通过单应性估计

    该研究提出了一种新的方法，通过利用交叉口的拓扑结构来实现摄像头的准确自动校准，进而提高交通监控数据的利用效率，并在合成数据集和实际摄像头上展示了优异的性能表现。

    Nov, 2023

  • 自然图像中的无监督生成式三维形状学习

    本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

    Oct, 2019

  • 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

  • SharinGAN：结合合成和真实数据进行无监督几何估计

    本文提出了一种将合成图像和真实图像结合进行网络训练的新方法。我们建议将两种图像映射到一个共享域中，并连接到主网络进行端到端训练。实验结果表明，该方法在两个重要的领域中均取得了显著的改进：人脸表面法线估计和户外场景单眼深度估计，尤其是在无人监督设置下。

    Jun, 2020