Sep, 2023

增强和融合特征重建的隐式神经图像拼接

PDF
TL;DR提出一种新颖方法 —— 隐式神经图像拼接（NIS），通过估计图像的傅里叶系数进行质量增强的扭曲，以解决现有图像拼接方法中的模糊伪影和不同的光照、深度等差异问题，进而在保留高频细节的同时实现快速图像增强。
image stitchingblurry artifactsdisparitiesimplicit neural image stitchingsuper-resolution
发现论文，激发创造
  • 无监督深度图像拼接：重建拼接特征到图像

    本论文提出了一种基于无监督深度学习的图像拼接框架，包括无监督的粗略图像对齐和无监督的图像重建两个阶段，使用了降分辨率变形支路和提高分辨率的精化支路，其精度优于现有的其他技术。

    Jun, 2021

  • 图像拼接流程简化：将融合和矩形化集成为统一模型

    通过将融合和矩形化阶段结合成一个复合模型，我们提出了一种简单和鲁棒的无需训练的图像拼接方法（SRStitcher），该方法不仅简化了图像拼接流程，而且增强了对误注册错误的容错能力。

    Apr, 2024

  • 面向真实世界全景图像生成的弱监督拼接网络

    提出了一种基于深度学习的缝合模型，采用弱监督学习机制训练，实现对多个鱼眼图像的 360 度输出，通过色彩一致性校正、畸变校正和图像融合实现，其训练采用感知损失和 SSIM 损失函数，在两个真实的缝合数据集上进行了有效性验证。

    Sep, 2022

  • 快速随机图像拼接的局部顶峰尺度不变特征变换

    通过结合局部极值尺度不变特征变换（LP-SIFT）算法和 RANSAC 算法，在图像拼接中实现了极大的速度提升，可以在 158.94 秒内拼接九张 2600*1600 像素的大图片，并且适用于地形绘制、生物分析和刑事调查等多种领域。

    May, 2024

  • 基于隐式自纹理增强的高效双支路框架实现任意尺度的组织病理学图像超分辨率

    通过提出基于隐性自纹理增强的双分支框架（ISTE），实现了病理图像的任意尺度超分辨率，大幅度提升了现有固定尺度和任意尺度算法在多个放大倍率上的表现，并有助于改善下游任务性能。

    Jan, 2024

  • 利用补丁变形改进神经隐式曲面几何

    研究了神经含式表面在多视图 3D 重建中的应用，提出了一种新的添加光照一致性项的神经渲染优化方法 NeuralWarp，并经过了 DTU 和 EPFL 测试，证明其性能优于目前的无监督隐式表面重建技术。

    Dec, 2021

  • 提高场景理解能力的鲁棒多模态图像拼接

    该研究论文提出了一种独特且综合的图像拼接流程，利用 OpenCV 的拼接模块，通过集成基于特征匹配、变换估计和融合技术，实现了无论图像间的光照、尺度或方向差异如何，都能产生顶级质量的全景视图，并在多种数据集上进行测试，发现其在增强场景理解和找到实际应用方面非常有效。

    Dec, 2023

  • 多光谱图像拼接基于空间图推理

    利用图卷积网络模型与多光谱图像融合技术，实现了在不同视角下对多光谱图像进行对齐和集成，生成广角视场的稳定性高、可靠性强的场景。

    Jul, 2023

  • 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

  • 学习图像变形的局部隐式傅里叶表示

    本文提出了一种基于本地纹理估计器和隐式神经表示的图像变形方法，该方法通过局部纹理和坐标变换的局部可变雅各比矩阵来预测变形图像的傅里叶响应，同时也成功实现了对不同变换的泛化处理。

    Jul, 2022