本文介绍了一种新的基于深度学习的方法，称为 OmniZoomer，它将 Möbius 变换纳入网络中，实现对全景图像的移动和缩放，并通过学习不同条件下的变换特征图来处理模糊效应和失真问题。

Aug, 2023

本研究提出了 ResVR 框架，该框架可以在保持低传输开销的同时，为用户呈现具有高质量的头戴显示器中观看的全景图。通过开发一种新的像素采样策略处理视口与 ERP 之间的复杂映射，并创新地使用球面微分生成球形像素形状表示技术来改善呈现视口的视觉质量，我们的 ResVR 在不同视场、分辨率和视角条件下的视口呈现任务中表现优于现有方法。

Apr, 2024

本文提出了一个大规模的全景视频可视质量评估数据集 VQA-OV，其中包括 60 个参考序列和 540 个受损序列，并通过挖掘数据集发现全景视频的主观质量确实与人类头部和眼部移动相关，并开发了一个 Deep Learning 模型，将头部和眼部移动嵌入目标 VQA，实验结果表明，我们的模型显著改善了全景视频 VQA 的最新性能。

Jul, 2018

本文提出了一种新颖的针对盲目全景图像质量评估（BOIQA）的多序列网络 Assessor360，其通过结合内容和细节信息生成多个视口序列，设计多尺度特征聚合模块和扭曲感知块来融合畸变和语义特征，以及设备 TMM 来学习时间域中的视口转换，证实了 Assessor360 在多个 OIQA 数据集上优于现有的 BOIQA 方法。

May, 2023

对于全景图像和全景视频这样的视频信号，其常常存在各种视觉畸变，这篇文章对这些畸变进行了综述，为算法设计提供了依据，并且必要于心理视觉学习及交互性和沉浸式应用研究。

Jan, 2019

本研究首次建立了一个大规模的音视频品质评估数据集，用于评估全向视频的音视频质量。通过多模态融合策略，设计了三种基准方法来评估全向音视频的品质，并验证了融合方法在全向体验评估中的有效性。

Jul, 2023

本研究概述了全向（360 度）视频在计算机视觉算法中面临的挑战，如广泛采用的特殊（equirectangular）投影和巨大的图像尺寸，并提出了适应全向视频特定需求的计算机视觉算法策略。

Jul, 2019

通过使用摄像头和惯性测量单元（IMU）传感器，Visual Inertial Odometry（VIO）算法可以准确估计相机轨迹。我们引入了 Amirkabir 校园数据集（AUT-VI）来解决动态环境下的问题，改善导航系统。AUT-VI 是一个新颖而超级具有挑战性的数据集，包含 17 个不同位置的 126 个多样的序列，涵盖了所有极端导航场景。我们还发布了安卓应用程序用于数据捕获，以支持研究人员定制自己的 VIO 数据集变体，并在我们的数据集上评估了最先进的 Visual Inertial Odometry（VIO）和 Visual Odometry（VO）方法，强调了这个具有挑战性数据集的重要性。

Jan, 2024

我们提出了一个工具，用于生成具有语义和深度信息的全向图像数据集。这些图像是从采集于虚拟环境中的捕捉集合中合成的，能够提供像素级的关于语义、深度以及摄像头的校准参数的信息，从而为机器学习算法的训练和三维视觉方法的测试提供了像素精度的真实信息。

Jan, 2024

介绍了一种新的基于几何畸变引导变压器的全向图像超分辨率方法，通过引入畸变调制的矩形窗口自注意机制和变形自注意机制，提高了感知畸变的能力，并在不同自注意模块间采用动态特征融合方案。在公开数据集上进行了广泛的实验，表明该方法在全向图像超分辨率方面优于现有方法。

Jun, 2024