从多尺度深度单应性学习边缘保持图像拼接
Nie, L., Lin, C., Liao, K., & Zhao, Y. (2022). Learning edge-preserved image stitching from multi-scale deep homography. Neurocomputing, 491, 533-543.
0. 摘要
图像拼接是计算机视觉中一项经典而又具有挑战性的技术,其目的是生成大视场的图像。 传统的方法严重依赖于特征点检测,要求特征点在图像中密集均匀分布,导致在低纹理场景下鲁棒性差。 由于无法获得真实拼接结果,因此很少研究基于深度学习的方法,在真实数据集上表现出不可靠的性能。 为此,提出了一种图像拼接学习框架。该框架由多尺度深度单应性模型和边缘保持变形模型组成。 首先设计了一个多尺度深度单应性模型,从粗到细逐步估计出精确的单应性。 在此基础上,设计了一个边缘保持变形模块,学习图像拼接过程中从边缘到内容的变形规律,生成去除了伪影的拼接图像。 此外,所提出的监督学习框架能够拼接任意分辨率的图像,并在真实图像中表现出良好的泛化能力。 实验结果表明,本文算法优于现有的单应性解和图像拼接算法。