Feb, 2024

学习立体匹配中的视图内和视图间几何知识

PDF
TL;DR提出了一种新颖的 “Intra-view and Cross-view Geometric knowledge learning Network (ICGNet)” 模型，以整合单景图片的几何知识和跨景因素（包括遮挡和匹配独特性）的几何知识，并通过利用兴趣点和它们之间的对应关系来增强几何知识的学习过程，从而在估计视差的能力上显著提高，实验证明了 ICGNet 模型相对于其他流行模型的优越性。
发现论文，激发创造
  • 迭代几何感知交叉引导网络用于立体图像修复

    该论文提出了一种使用迭代式几何感知交叉引导网络实现立体图像修复的方法，该方法包含几何感知注意力模块和迭代交叉引导策略，可以提高两个视图之间对应区域的一致性，实现对立体图像的修复。实验结果表明，与最新的立体图像修复模型和最先进的单张图片修复模型相比，我们提出的网络表现更好。

    May, 2022

  • EAGLE: 跨视角理解中高效自适应基于几何的学习

    通过引入新的无监督跨视图适应学习方法，我们解决了语义场景理解中不同摄像头视角的几何结构变化建模问题，并在不同跨视图适应基准上证明了我们方法在跨视图建模方面的有效性，与之前的无监督领域适应和开放词汇语义分割方法相比，实现了最先进的性能。

    Jun, 2024

  • 语义跨视图匹配

    本研究提出了一种自动检测和表示 RGB 图像语义信息的方法，以实现与非 RGB 地理信息系统（GIS）进行跨视图匹配，利用由语义概念（如交通标志、湖泊、道路、植被等）分配的图像分割区域进行描述符的设计和匹配。实验证明此方法有效。

    Oct, 2015

  • 跨视角地理定位：综述

    本文针对跨视域地理定位领域的前沿方法、技术和挑战进行了综述，着重介绍了基于特征和深度学习策略。研究涵盖了建立不同视点之间对应关系的基于特征的方法，以及采用卷积神经网络嵌入视图不变属性的深度学习方法。对跨视域地理定位遇到的各种挑战进行了探讨，如视点和照明的变化、遮挡的发生，并提出了相应的创新解决方案。此外，本文介绍了基准数据集和评估指标，并对最先进技术进行了比较分析。最后，对未来研究以及跨视域地理定位在全球复杂网络环境中蓬勃发展的应用进行了讨论。

    Jun, 2024

  • 单视角立体匹配

    该研究论文采用视图合成过程和立体匹配相结合的方法，将单目深度估计问题分解为两个子问题，并明确地在推断过程中施加几何约束条件。经验证明，这种方法的性能优于以往的方法，并且只需使用少量的真实训练数据，同时也具有良好的泛化能力。

    Mar, 2018

  • ConGeo: 针对地面视角变化的稳健交叉视图地理定位

    提出了 ConGeo 方法，通过增强特征表示的鲁棒性和一致性，提高模型对方向和视场变化的不变性和韧性，从而显著提升了交叉视图地理定位的性能，并超过了针对每个地面视图变化训练单独模型的竞争方法。

    Mar, 2024

  • 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

  • 城市环境下的跨视角图像匹配用于地理定位

    本文基于深度卷积神经网络，提出了一个新的框架，用于跨视角图像地理定位，包括 Faster R-CNN 和 Siamese 网络，并将其在一个新的数据集上进行了评估，结果表明该方法比其他方法具有更好的定位精度，并能够推广到未见过的位置。

    Mar, 2017

  • 学习多视角立体机

    通过特征投影和反投影沿视线的方式，我们提出了一种用于多视图立体成像的学习系统，通过可微化运算，我们能够对 3D 形状进行度量重构，从而实现在几张相对较少的图像（甚至一张图像）中重建 3D 图像，并且证明了我们的方法在 ShapeNet 数据集上优于传统方法和最新的基于学习的方法。

    Aug, 2017

  • 重新思考几何匹配一致透视的光流

    本研究提出了一种基于深度学习和几何图像匹配的光学流估计方法 MatchFlow，通过先使用几何图像匹配（GIM）作为预训练任务，再进行光流估计，从而提高了图像特征的匹配性能，实验结果表明该模型性能优异，相较于已发表的方法，拥有最优的表现。

    Mar, 2023