- 通过分割引导的多单应性变换,实现容忍视差的图像拼接
通过使用图像分割引导的多单应性变换,本文提出了一种新颖的图像拼接方法,解决了图像间的大视差问题,并且在公共数据集上的综合实验结果表明,相较于现有方法,我们的方法具有更高的对齐精度。
- 多模态大语言模型的长上下文能力基准测试
对多模态大语言模型进行了全面评估,介绍了一种用于长上下文能力评估的基准测试方法,包括多图像输入和图像拼接,以加大输入上下文长度,并开发了一个自动生成子图像级标签的协议。通过基于文本指令和图像内容描述,对 MLLMs 在长上下文图像输入中在一 - 快速随机图像拼接的局部顶峰尺度不变特征变换
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。
- RecDiffusion:扩散模型图像拼接的矩形化
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。
- 无模型畸变校正的单张图像相机标定
提出了一种从单幅图像中估计完整的标定参数集的方法,通过数字图像相关获得图像点和标定目标上物理点之间的对应关系,同时在先前评估了主点之后分别计算出有效焦距和外部参数,最终获得整个图像上密集均匀的无模型畸变图。
- AAAI朝向鲁棒图像拼接:一种适应性抵抗兼容攻击的学习方法
该论文首次尝试改进图像拼接算法对抗攻击的鲁棒性,通过引入针对特征匹配过程的拼接导向攻击(SoA),深入研究鲁棒性,开发了自适应对抗训练(AAT)来平衡攻击抵抗力和拼接精度。全面评估真实和合成数据集验证了 SoA 对拼接性能的损害,而 AAT - 自然图像拼接的物体级几何结构保持
基于全局相似性先验和三角网格,本研究旨在保护图像中的整体对象级结构,同时减轻畸变和幽灵伪影。实验证明我们的方法在图像拼接方面取得了新的最先进水平。
- 基于缝线引导的大视差图像本地对齐和拼接
通过对接缝质量评估进行引导,我们提出了一种以局部对齐和拼接方法。实验证明,与最先进的接缝切割方法相比,我们的结果更加可信且具有较少的伪影。
- 增强和融合特征重建的隐式神经图像拼接
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。
- 用 GPU 加速的实时视频拼接的色彩校正和帧变形
本文提出了一个实时系统,将多个视频序列拼接成全景视频,该系统基于 GPU 加速的颜色校正和帧变换,无需准确的相机参数。我们扩展了传统的 2D-Matrix (2D-M) 颜色校正方法和一种基于时空 3D-Matrix (3D-M) 的颜色校 - 基于去模糊和配准的鱼眼图像更强大的拼接算法
我们提出了一种结合传统图像处理方法和深度学习的更强的鱼眼图像拼接算法,通过 Attention-based Nonlinear Activation Free Network(ANAFNet)对鱼眼图像进行校正并采用 ORB-FREAK-G - CVPR深度矩形图像拼接:一种学习基础线
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。
- 无监督深度图像拼接:重建拼接特征到图像
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。
- ECCV基于目标的图像拼接
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 - 自然图像拼接中的单视角变形
本文提出两种自然图像拼接方法,分别是一个参数化变形与基于网格的变形,综合评估结果显示,这两种方法优于一些现有的方法,包括全息图、APAP、AutoStitch、SPHP 和 GSP。
- 基于线引导局部变形和全局相似性约束的图像拼接
本篇论文提出了一种基于线特征引导的局部映射的图像拼接方法,并采用全局相似性约束来减少透视失真,实验结果表明该方法具有令人信服的拼接性能并且优于当前主流方法。
- 图像拼接中的准同态变换
本文提出了一种新型准同(quasi-homography)变形方案,通过全局相似性变形有效平衡了透视畸变和投影畸变。对于非重叠区域,该方案使全景图更自然展现。实验结果表明,相比于同源性(homography)、自动拼接(AutoStitch