ICCVAug, 2023

SimFIR: 自我监督表示学习的鱼眼图像矫正简化框架

PDF
TL;DR基于自监督表示学习，介绍了一种用于鱼眼图像矫正的简单框架 SimFIR。通过将鱼眼图像分成多个图块并提取其表示，结合鱼眼模型关联不同的图块与其特定的畸变模式，并设计了一种创新的统一畸变感知预训练任务来学习精细畸变表示。在下游矫正任务上，转移性能显著提升，实验证明了该方法在真实鱼眼图像上的优越性和强大的泛化能力。
fisheye imagesdistortion patternsrectificationself-supervised representation learningvision transformer
发现论文，激发创造
  • RoFIR: 抗光轴偏移的鲁棒鱼眼图像矫正框架

    本文提出了一种新的方法来纠正偏离的鱼眼图像，通过学习失真向量映射来独立识别每个像素点的局部失真特征，结合预训练和微调训练范式以及数据增广方法，在纠正中心和偏离的鱼眼图像方面取得了显著的性能提升。

    Jun, 2024

  • FishEyeRecNet: 鱼眼图像矫正的多上下文协同深度网络

    本研究提出了一种端到端多环境协作深度神经网络，用于从单个鱼眼图像中消除畸变，采用深度学习方法自动估计畸变参数并构建合成数据集进行训练，实验表明，在合成和真实数据集上，该模型明显优于当前最先进的方法。

    Apr, 2018

  • 学习校准鱼眼图像的直线以进行校正

    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

  • 基于维纳滤波器在相似性领域的单幅图像超分辨率

    本文提出了一种基于自相似性的方法，利用从输入图像中提取的大组相似图块来解决单幅图像超分辨率问题，并评估了其性能，成果表明在不使用任何外部数据的情况下，所提出的算法在各种缩放因子的测试数据集上，比当前的非 CNN 方法有了提高，并且在某些数据集上的提高达到 1dB 以上，对于高采样率（x4）的数据，所提出的方法与最新的基于深度卷积网络的方法表现相似。

    Apr, 2017

  • FishFormer：基于环切片的 Transformer 技术用于鱼眼矫正及有效域探索

    Fishformer 采用环形分割方法和层次注意机制提高了鱼眼图像的全局和局部知觉，进而提高了鱼眼图像校正的性能

    Jul, 2022

  • SwinFIR：通过快速傅里叶卷积和改进的训练重新审视 SwinIR 并用于图像超分辨率

    本文介绍了一种基于 Transformer 的方法，用于图像恢复，提出了一种名为 SwinFIR 的扩展方法，旨在提高捕捉全局信息的效率，同时改进了数据增强、预训练、特征集成等高级技术，使模型的性能得到显着提高，并在多个大型基准测试上取得了最先进的性能。

    Aug, 2022

  • SinIR：高效的单图像重建通用图像编辑技术

    SinIR 是一种高效的基于重建的框架，仅在单个自然图像上进行训练，可用于超分辨率、编辑、协调，绘图到图像、照片逼真的样式转移和艺术风格转移等各种图像操作，该框架采用级联多尺度学习的方式进行训练，具有比 GAN 目标更简单的低重建目标，通过量化评估表明，SinIR 在各种图像操作任务上具有竞争性能，同时与 SinGAN 相比（对于 500 X 500 像素的图像），SinIR 训练速度快 33.5 倍，我们的代码在 github.com/YooJiHyeong/SinIR 上公开。

    Jun, 2021

  • 使用外观流构建渐进补充网络用于鱼眼图像矫正

    本文提出了一个特征级的校正方案，并引入一个平行互补结构来解决畸变矫正网络中的模糊性能和模糊纠正等问题。实验结果证明了该方法的优越性。

    Mar, 2021

  • OSRT: 基于畸变感知变换器的全向图像超分辨率

    本文提出了一种基于 Fisheye 降采样和失真感知 Transformer 的方法，用于实现全景图像的高清增强，实验结果表明其表现优于以往的方法。

    Feb, 2023

  • FishRecGAN：一种基于端到端 GAN 的鱼眼校正和标定网络

    本文提出了一种采用端到端的深度学习方法来对鱼眼图像进行矫正以及同时校准相机内在和畸变参数的方法，该方法能够在高分辨率下具有鲁棒的表现，并且利用生成对抗网络（GAN）实现了快速图像矫正模块和校准模块。

    May, 2023