图像拼接流程简化：将融合和矩形化集成为统一模型
本文提出了第一个基于深度学习的图像矩形化解决方案，使用预设的刚性目标网格和全卷积网络进行初始网格的预测，并提出了一个全面的目标函数以同时提高边界矩形化、网格形状保持和内容自然性，实验结果表明本方案在数量和质量上均优于传统方法。
Mar, 2022
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
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。
Sep, 2023
该论文提出了一种改进的全景图创建算法，采用多重图像配准的方法，提高了深度差异和物体运动场景下的图像拼接的精度，实验结果表明该算法在存在较大运动或视差时能够生成明显更好的全景图。
Nov, 2020
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
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
通过扩散学习框架，将图像拼接由非矩形边界转化为矩形边界，并利用运动扩散模型和内容扩散模型来提高几何准确性和视觉效果，在公开基准测试中取得了优于以往方法的定量和定性评估结果。
Mar, 2024
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
本文针对图像拼接过程中目标被裁剪、遗漏或复制而导致的错误进行研究，提出一种基于目标检测的算法来解决这个问题，并将其用于修改拼接过程中的能量函数，从而获得更加逼真和鲁棒的拼接结果。同时，该方法还可以用于检测输入数据中不可恢复的遮挡，并提出了一种简单的评估指标来评估图像拼接算法的输出结果。
Nov, 2020