阅读笔记（Neurocomputing 2022）Learning edge-preserved image stitching from multi-scale deep homography

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。