Jun, 2024

基于图卷积网络的竖直调整

PDF
TL;DR提出一种新颖的方法来进行 360 度图像的纠正调整，该方法包括卷积神经网络（CNN）和图卷积网络（GCN）两个模块，通过 CNN 处理输入的 360 度图像进行视觉特征提取，然后将提取的特征图转换成一个图形，从而找到了输入的球面表示。同时引入了一种新颖的损失函数来解决在球面上定义的离散概率分布问题。实验结果表明，该方法优于基于全连接的方法。
upright adjustment360 imagesconvolutional neural networkgraph convolutional networkloss function
发现论文，激发创造
  • 学习球面卷积以从 360° 图像中快速提取特征

    该研究提出了一种基于球面卷积网络的方法来处理 360° 全景图像，该方法可以有效地提取特征并利用预先训练的卷积神经网络，从而大大降低了计算量和提高了准确性。

    Aug, 2017

  • 全景图像直立调整的端到端网络

    使用在线端到端网络，该论文提出了一种重建垂直位置的全景图像的方法。网络包含三个模块：方向估计、角度到 LUT 的在线生成和垂直重建。实验结果表明这种方法可大幅提高小角度误差的精度，并能够实现全景图像的实时在线垂直重建。

    Apr, 2023

  • 使用球形 CNN 学习 SO (3) 等变表示

    论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题，进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法，同时还实现了一种用于谱域的新型池化技术，这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。

    Nov, 2017

  • 球形卷积神经网络

    该研究介绍了构建球形 CNN 的基本模块，该模型可用于解决分子回归和全球气候建模等领域的问题，并通过实验证明了其计算效率、数值精度和有效性。

    Jan, 2018

  • 4DSR-GCN: 使用图卷积网络进行 4D 视频点云上采样

    本研究提出了一种新的方法，使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络，实现对经过重压缩的 3D 视频点云数据的提升和恢复，同时通过更少的参数达到可比较的重建质量，适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。

    Jun, 2023

  • 卷积神经网络中的区域旋转层

    本文提出一种可插入到既有卷积神经网络中的模块，直接将旋转不变性整合到 CNN 的特征提取层中，而不会增加模型复杂度，通过仅对立体数据进行训练，在旋转测试集上也能表现良好，这将适用于生物医学和天文学等难以获取垂直样本或目标没有方向性的领域，评估结果表明本模块能够有效提高 LeNet-5，ResNet-18 和 tiny-yolov3 的性能表现。

    Feb, 2022

  • PanoNormal：单目室内 360° 表面法线估计

    介绍了一种用于 360 度图像的单目表面法线估计架构 PanoNormal，通过使用多级全局自注意机制和考虑球面特征分布，结合了 CNN 和 ViTs 的优势，实现了在多个流行的 360 度单目数据集上的最先进性能。

    May, 2024

  • 球形变压器：将球形信号适应于卷积神经网络

    本文提出基于 Spherical Transformer 的方法，将球面信号转换为能够被标准 CNNs 直接处理的向量，从而使许多经过精心设计的 CNNs 架构可以通过预训练在不同任务和数据集中重复使用，该方法在球形 MNIST 识别，3D 物体分类和全向图像语义分割任务上具有优异性能。

    Jan, 2021

  • DeepSphere: 基于图的球形等变卷积神经网络

    通过将离散化球体建模为图形，我们可以容纳非均匀分布、部分和变化的采样。此外，图形卷积比球形卷积计算效率更高。通过使用 Defferrard 等人（2016）介绍的图形神经网络，我们讨论了如何实现旋转等变性，在旋转不变学习问题上表现良好。

    Apr, 2019

  • 超球损失的 $360^o$ 表面回归

    本文通过利用现有的 3D 数据集和重新渲染的方式解决 $360^o$ 图像的表面法向数据不足的问题，并通过深度卷积神经网络来实现全景图像的表面估计。

    Sep, 2019