本文提出一种简单而有效的方法，通过估计控制点和参考点，在控制点和参考点之间采用插值方法，将稀疏映射转换为反向映射，并将原始扭曲的文档图像映射到矫正后的图像，从而矫正文档图像。实验表明，我们的方法能够矫正各种扭曲类型的文档图像，并在真实数据集上实现最先进的性能。文章还提供了一个用于文档去除畸变的控制点训练数据集。

Mar, 2022

本文提出了一种基于约束优化的方法来解决文档图像去畸变的问题，该方法考虑了文本行和文档边界，并引入了一种新的网格正则化策略来提高可读性，并在 DocUNet 基准测试中取得了最好的图像质量。

Mar, 2022

最近，极坐标表示在感知任务中表现出了有希望的特性。除了分开不均匀地表示点云的笛卡尔方法外，将点云表示为极坐标网格被认为是一个替代方法，因为它在不同分辨率下表现稳健，且对基于流的方法具有优越性。然而，最先进的极坐标检测方法不可避免地遭受特征失真问题，因为极坐标表示被非均匀地划分，导致与笛卡尔方法相比存在不可忽略的性能差距。为了解决这个问题，我们提出了一种新的极坐标三维物体检测器 PARTNER。PARTNER 通过全局表示重新对齐缓解特征失真困境，并通过将实例级几何信息引入检测头来促进回归。大量实验证明，在基于流的检测和不同分辨率方面具有压倒性优势。此外，我们的方法在 Waymo 和 ONCE 验证集上相对于先前的极坐标方法取得了显著优势，分别达到了 3.68% 和 9.15％的竞争性结果。

Aug, 2023

本文提出了 MataDoc 方法，首次专注于具有边界矩形和文本感知正则化的任意边界文档矫正，通过明确考虑背景一致性来增强边界感知，引入了词位置一致性以保持矫正后的文档图像中的文本行直线，通过 ArbDoc 基准测试全面评估了 MataDoc 方法，在 ArbDoc、DocUNet、DIR300 和 WarpDoc 数据集上证明了该方法的优越性。

Jul, 2023

DocGeoNet 通过引入明确的几何表示来进行文档图像纠正，其中涉及文档图像的两个典型属性：3D 形状和文本行。

Oct, 2022

提出了一种针对极化图像模糊的处理方法，通过将问题分解为两个较不病态的子问题，并设计两阶段神经网络来处理这两个子问题，实验结果表明我们的方法在合成和真实图像上都取得了最新的性能，并且能够改善基于极化的视觉应用的性能，如图像去雾和反射去除。

Feb, 2024

使用偏振相机和相对深度信息作为先验，通过全偏振信息提出一种在线重建方法，使稀疏的深度值能沿着等深度线传播，并在具有贫纹理特性的区域中提高深度图的密度和准确度。

Feb, 2021

本文提出了一种名为 DOC 的深度网络架构，它能在单个图像上检测物体边界并估计边界所有权，可用于恢复遮挡关系，并通过大规模实例遮挡边界数据集 PIOD 进行了验证。

Nov, 2015

本文提出了一种基于深度学习的 Gated and Bifurcated Stacked U-Net 的方法，用于去除手持设备捕捉的文档图像中的失真，并在大幅减少所需数据量的情况下，在 DocUNet 数据集上实现了最先进的性能。

Jul, 2020

本文讨论了两阶段管道相对于单阶段设计的优势，提出了一种名为 DR-Pose 的两阶段变形和配准管道，包括辅助完成阶段和缩放配准阶段，通过点云完成方法生成目标对象的未见部分并引导形状先验的后续形变，并设计了一种新颖的配准网络来提取姿态敏感特征，并根据第一阶段的形变结果预测规范空间中对象部分点云的表示方法。 DR-Pose 在 CAMERA25 和 REAL275 基准测试上优于最先进的基于形状先验的方法。

Sep, 2023