Jul, 2024

SCPNet: 通过内部单模自主学习实现无监督的跨模态单应性估计

HTML
PDF
TL;DR提出了一种基于自监督学习、相关性和一致特征映射投影的新型无监督跨模态单应性估计框架SCPNet，SCPNet是第一个在GoogleMap数据集上实现有效无监督单应性估计的模型，在128x128的图像上，相对于有监督方法MHN，在[-32, +32]偏移下的平均角点误差(MACE)上表现提高了14.0%。在几个跨模态/光谱和手工不一致的数据集上，SCPNet表现出优于其他无监督方法的性能，其MACE相比有监督方法MHN降低了49.0%、25.2%、36.4%和10.7%。
发现论文，激发创造
  • 深度图像单应性估计

    该研究提出了一种利用卷积神经网络实现图像之间的变换估计的方法，可以避免传统的局部特征检测和变换估计方法的复杂度，并展示了多种基于深度估计变换的应用场景。

    Jun, 2016

  • 无监督深度单应性:一种快速而强大的单应性估计模型

    本研究提出一种无监督学习算法，利用深度卷积神经网络估算平面单应矩阵，相较于传统方法和监督式学习算法其具有更快的推理速度、更好的光照变化适应性和优于同类方法的性能表现。

    Sep, 2017

  • 内容感知无监督深度单应矩阵估计

    提出了一种无监督深度视觉几何估计方法来提高图像配准的精度，通过学习异常值掩模以去除噪声和提取更可靠的样本进行估计，使用 RANSAC 机制进行可靠区域选择，并专注于学习深度特征来计算损失，同时不忽略在真实场景中处理视差和运动物体的重要性。

    Sep, 2019

  • 基于运动基学习的无监督深度单应矩阵估计及子空间投影

    该论文提出了一种新的无监督深度单应性估计框架，使用基于 homography flow 的表示方法，配合低秩分解块和特征恒等性损失函数，实现了更加稳定有效的无监督优化，优于当前同类竞品。

    Mar, 2021

  • 用感知损失实现鲁棒的无监督单应矩阵估计

    本研究尝试通过使用双向隐式Homography估计（biHomE）损失，并在合成的COCO数据集上进行测试，证明该方法在光照变化方面的鲁棒性相对于现有方法更强，并且可以实现无监督学习的 Homography 估计。

    Apr, 2021

  • 迭代深度单应矩阵估计

    本文提出了迭代单应性网络（IHN），一种新的深度学习单应性估计架构，通过可训练的迭代器和多尺度方法可以实现对静态场景和动态场景中移动目标的高精度估计。实验表明，IHN可以实现95％的误差减少和32.7fps的处理速度。

    Mar, 2022

  • 半监督深度大基线单应矩阵估计与渐进等价约束

    本文提出了一种基于渐进式估计策略和半监督学习的方法来解决大基线情况下的单应矩阵估计问题，该方法在大基线场景下取得了最先进的性能，并在小基线场景中保持了竞争性能。

    Dec, 2022

  • 深度单应矩阵估计的域偏移免疫性分析

    本研究探讨了如何使用卷积神经网络对单应矩阵进行估计，发现其具有领域的移位免疫性，并通过低级纹理信息进行估计。

    Apr, 2023

  • CrossDiff: 基于交叉预测扩散模型探索自监督全色影像增强的表示

    提出了一种名为CrossDiff的跨预测扩散模型，利用自我监督的表示学习方法进行卫星图像的泛光锐化，通过两阶段的训练并与其他方法比较，实验证明了该模型的有效性和优越性，同时验证了其在其他卫星数据集上的泛化能力。

    Jan, 2024

  • SS-SfP: 自主监督形状逆渲染与(混合) 偏振

    提出了一种基于反渲染的新型框架，通过学习分离部分偏振弥散和镜面反射成分来估计具有混合偏振的对象和场景的三维形状，并在完全自我监督的环境下解决了缺少地面真实表面法线数据、已知折射率和受限扫描仪分辨率的问题。

    Jul, 2024