- 博客(6)
- 收藏
- 关注
RSS订阅原创 【论文笔记】基于双特征翘曲的运动模型估计
尽管最近的基于外观的线段描述符（如MSLD[26]、LBD[30]）在存在旋转、噪声和光照变化的情况下能够产生令人满意的匹配结果，但它们无法处理大尺度或透视变换（图。线段的端点参数化相对于先前的表示具有三个优点：1) 点到线的距离在几何上有意义，与点到点的欧几里得距离具有一致的度量；主要原因是该描述符在源图像和目标图像中的每条线周围采样一个固定宽度的矩形区域（称为线支持区域，LSR），使其对尺度敏感。一旦确定了线段描述符的LSR，我们使用MSLD将线段的外观编码成描述符向量，然后进行常规的特征匹配过程。
2023-12-05 16:07:35
823
原创 【论文笔记】A view-free image stitching network based on global homography
估计不同视角的两个输入图像之间的全局单应性矩阵全局单应性矩阵通过结构拼接层，得到粗拼接结果再通过内容修正网络来消除鬼影，并对拼接结果的内容进行细化还提出了一种生成用于网络训练的合成数据集的方法。实验结果表明，与传统方法相比，该方法几乎可以100%消除重叠区域的伪影，而非重叠区域的轻微畸变是可以接受的。此外，该方法是view-free 和鲁棒的，尤其适用于特征点难以检测的场景。提出了一种view-free图像拼接网络。
2023-06-19 20:58:18
254
2
原创 Jupyter notebook 快捷键
对当前行或选中区域注释/取消注释。执行并跳转到下一个cell。在光标处分割当前cell。变为markdown格式。执行并创建一个cell。
2023-06-01 15:43:19
531
原创 【论文笔记】用于图像拼接的基于深度学习的图像矩形化算法
图像拼接矩形化的目的是解决图像拼接后产生不规则边界的问题。现有的图像拼接矩形化方法通常分为两个阶段：第一个阶段是搜索一个初始网格，也就是在拼接图像上放置一个规则的网格，用来描述图像上每个点的位置；第二个阶段是优化一个目标网格，也就是在初始网格的基础上进行一些变形，使得网格边缘尽可能地与矩形边界对齐。然后，通过将拼接图像从初始网格变换到目标网格，就可以得到矩形图像。这个过程叫做网格变形或网格扭曲。
2023-05-24 17:28:35
2749
3
原创 【论文笔记】无监督图像拼接
传统的基于特征的图像拼接技术严重依赖于特征检测质量，往往无法拼接特征少或分辨率低的图像。由于缺乏标记数据，基于学习的图像拼接解决方案很少被研究，使得监督方法不可靠。无监督粗图像对齐和无监督图像重建。在第一阶段，我们设计了一个基于消融的损失来约束一个更适合大型基线场景的无监督单应性网络。此外，在拼接域空间中引入一个空间变换层对输入图像进行翘曲处理。在第二阶段，基于像素级的图像错位可以在特征级上得到一定程度的消除，我们设计了一个无监督图像重建网络来消除从特征到像素的伪影。
2023-05-19 16:26:59
1203
2
原创 【论文笔记】像素级别的无监督学习
论文地址：http://arxiv.org/abs/2011.10043代码：https://github.com/zdaxie/PixPro。
2023-05-19 12:47:33
289
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人