Sep, 2023

利用可学习赤道偏差的多尺度全向显著图估计

PDF
TL;DR通过提取不同方向和视角的立体全景图像中的二维平面图像，本研究提出了一种新的立体全景图像显著性地图估计模型，并且使用多个视角的二维图像进行多尺度估计，通过像素级别的注意权重在集成层中整合来加权每个目标的最佳尺度，从而改善了显著性地图的准确性。
omni-directional imagessaliency maps2d plane imagescenter biasmulti-scale estimation
发现论文，激发创造
  • SalNet360：使用 CNN 生成全向图像的显著性图

    本文提出了一种对卷积神经网络进行扩展的架构，以使其能够有效地预测全向图像（ODI）中的视觉关注数据，从而为内容创建者提供帮助。研究人员通过展示每一步都可以使所生成的显着性地图与基础真实数据更加准确来证明这一算法的可行性。

    Sep, 2017

  • 球形视觉 Transformer 用于 360 度视频显著性预测

    提出了一个基于视觉转换器的新型全景视频模型 SalViT360，利用切线图像表示，在球面几何感知的时空自注意机制方面提出了一种有效的全景视频理解方法，并引入了一种基于一致性的无监督正则化项以减少 360 度密集预测模型中逆投影之后出现的伪影，实验证明了该方法在三个全景视觉显著性数据集上的有效性超过了现有技术。

    Aug, 2023

  • 无死角：从全景图像中定向目标估计

    使用全景相机提出了一种使用指向手势的机器人导航直观操作方式，通过反复从全景图像中提取感兴趣区域并投影到透视图像上，消除了用户 / 目标位置约束和指向臂的左 / 右约束，并通过机器学习训练目标对象的可能性进一步提高了估计的准确性。

    Aug, 2023

  • 深度集成多样化：一种基于显著性图的增强 OOD 检测、校准和精度的方法

    本文提出了一种基于显著性地图的深度集成方法，通过增加集合成员之间的差异性来改进分类和 OOD 检测。在多项实验中，该方法优于传统集成技术，同时提高了校准性，在 OpenOOD 基准测试中显示出潜在的实际应用前景。

    May, 2023

  • 全景室内密集深度估计

    本论文研究了 360 图像的深度估计问题，提出了使用重新渲染的 3D 在线数据集来解决缺乏高质量 360 数据集的挑战，并使用这个数据集实现了端对端的深度估计模型

    Jul, 2018

  • 畸变感知的全景图像单目深度估计

    这篇论文提出了一种新的网络模型 (DAMO) 来解决室内全景图像中对象失真的问题，该模型采用扭曲卷积来处理几何失真，进一步引入了基于球形感知的权重矩阵来处理由球体投影引起的不均匀分布，在 360D 数据集上实现了效果最佳的表现。

    Oct, 2020

  • 双向物体 - 背景优先级学习用于显著性排名

    该论文提出了一种新颖的双向方法，将空间注意力和基于对象的注意力相结合，通过模拟所关注区域和对象之间的相互作用和因果关系来实现显著性排序

    Mar, 2022

  • OmniFusion: 基于几何感知融合的 360 单目深度估计

    本篇论文提出了一种名为 OmniFusion 的 360 单目深度估计流程，通过将 360 图像转换为切线图像并采用 CNN 进行分段预测，最后合并分段结果以处理球形畸变问题，并通过几何感知特征融合机制、自注意力变换架构和迭代深度细化机制处理分段预测不一致问题，成功的在多个 360 单目深度估计基准数据集上取得了最先进的性能。

    Mar, 2022

  • OmniMVS：全向立体匹配的端到端学习

    本文提出了一种新颖的端到端深度神经网络模型，用于从广角多视角立体成像中实现全向深度估计，并提出了大规模的合成数据集来用于算法的训练与测试。结果表明，所提出的方法在合成和实际环境中都生成了出色的结果，并优于现有技术。

    Aug, 2019

  • 为跨视图地理定位的神经网络引入贷款方向

    本文提出一种基于方向信息的神经网络模型，应用于图像地理定位问题中，使用角度编码方式让神经网络更好的提取特征，使该模型在地理位置定位方面表现出较高的正确率和精度。

    Mar, 2019