Dec, 2023

图像高密度瞬时对齐通过相机位姿和深度估计

PDF
TL;DR本文介绍了一种新颖的方法来对手持相机拍摄的图像进行细微对齐。与传统的技术不同，该算法通过优化每个像素的摄像机运动、表面深度和方向来建立密集对应关系。这种方法改善了在具有视差挑战的情况下的对齐效果。通过对具有小型或短小基线的合成连拍进行广泛实验证明，在该环境中，该方法优于当今最佳的光流方法，而且无需任何训练。除了改进对齐效果，我们的方法还为深度估计和 3D 重建等其他图像处理任务打开了新的可能性，并取得了有希望的初步结果，使我们的方法成为各种连拍图像处理应用的多功能工具。
fine alignmentimagesburst captureddense correspondencescamera motion
发现论文，激发创造
  • CANDID: 深度爆发图像去噪的对应校准

    本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。

    Jun, 2023

  • 自动曝光图像的稳健深度估计

    通过改良后的几何流深度估计技术和多视图立体匹配算法，我们提出了一种从短暴照片中进行深度估计的高精度方法，该方法适用于智能手机以及单反相机拍摄的不同数据集，估计的深度图可应用于图像质量提升和摄影后期处理。

    Mar, 2018

  • 鲁棒性一致的视频深度估计

    本文提出了一种用于估计一致密集深度图和相机姿态的算法，该算法基于学习的深度先验和几何优化相结合，不需要输入相机姿态，并能够在包括噪声、抖动、运动模糊和卷帘快门失真等多种挑战性条件下实现稳健的重建。

    Dec, 2020

  • 不使用显式三维运动估计的复杂动态场景密集深度估计

    本文提出了一种基于光流和稀疏深度先验的方法，将动态场景模型假设为分段平面模型，计算其局部刚性变换和尽可能刚性的全局变换，无需显式估计 3D 旋转和平移即可高效恢复场景的深度密集图，适用于广泛的场景。

    Feb, 2019

  • 两个手持视频相机的密集宽基线场景流

    本文提出了一种新技术，可以从两个具有不同感光属性的手持相机视频中计算出密集的场景流，并支持摄像机的独立运动和宽基线场景的计算，其方法包括基于 DAISY 描述符的基准点匹配，Laplacian 匹配修复技术和变分场景流计算。

    Sep, 2016

  • 突发图像修复与增强

    该研究提出了一种新颖的 Burst Image Restoration 方法，使用伪爆发特征相互交换信息，通过快速匹配、多尺度的上下文信息和自适应聚合，还原高质量图像。与现有方法相比，该方法表现出最先进的性能，可用于爆发超分辨率、爆发低光图像增强和爆发去噪任务。

    Oct, 2021

  • 从模糊的图像序列中联合估计相机姿态、深度、去模糊和超分辨率

    本研究提出了一种创新性的统一框架来解决密集深度重建、相机姿态估计、超分辨率和去模糊的四个问题，通过反映物理成像过程，我们提出了一个成本最小化问题，并使用交替优化技术来解决它，实验结果表明，我们的提出方法在合成和现实视频中均得到高质量的深度图，同时还产生了优秀的去模糊和超分辨率图像。

    Sep, 2017

  • ParticleSfM：利用稠密点轨迹定位野外运动相机

    提出了一种基于密集间接结构运动方法的鲁棒性摄像机姿态估计方法，利用密集对应初始化并优化长程视频对应关系作为密集点轨迹并用于学习运动分割的鲁棒估计；实验表明我们的系统相对于现有最先进方法在 MPI Sintel 数据集上产生了更准确的摄像机轨迹，并在全静态场景上保持合理的摄像机姿态准确度，这也印证了基于光流和点轨迹的密集间接方法的潜力。

    Jul, 2022

  • 学习密集流场进行高精度跨视角摄像机定位

    通过学习地面和卫星图像中稠密的像素级光流场来计算相机姿态，本文提出了一种新的端到端方法，该方法与现有方法不同之处在于通过在像素级构建特征度量，从而实现全图监督学习从而获取地面和卫星图像的独特的几何配置和视觉外貌。经过广泛的实验，证明了与最新的方法相比，在 KITTI、Ford multi-AV、VIGOR 和 Oxford RobotCar 数据集上，我们的方法将中位数定位误差分别降低了 89%、19%、80% 和 35%。

    Sep, 2023

  • 视频深度一致性估计

    通过利用传统的运动结构恢复来建立视频中像素的几何约束，使用基于学习的先验 —— 一种单图像深度估计的卷积神经网络，我们给出了一种用于重建密集、几何一致深度的算法。测试时，我们对这个网络进行微调，以满足特定输入视频的几何约束，同时保留其在视频中的其他区域中合成可信深度细节的能力。通过定量验证，我们证明了我们的方法比以前的单目重建方法有更高的准确性和更高的几何一致性。我们的算法能够处理具有轻度动态运动的挑战性手持捕获输入视频。改进重建的质量可以用于场景重建和高级视频视觉效果。

    Apr, 2020