【图像拼接/深度单应】论文精读：Unsupervised Deep Homography: A Fast and Robust Homography Estimation Model

已于 2024-04-09 10:51:12 修改
阅读量3.6k 收藏 3
点赞数
分类专栏： 图像拼接论文精读 文章标签： 计算机视觉 深度学习 图像拼接 图像配准 image stitching 论文阅读 论文笔记
于 2024-04-09 10:48:24 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36584673/article/details/137115053
版权
图像拼接论文精读 专栏收录该内容
135 篇文章 88 订阅 ¥179.90 ¥299.90
订阅专栏
本文介绍了一种无监督的深度学习算法，用于图像拼接中的单应性估计，旨在解决传统方法在光照变化和大位移下的挑战。通过对比监督和无监督方法，实验证明无监督方法在合成和真实无人机数据集上具有较高的精度和推理速度，尤其适用于处理大光照变化和大位移的情况。该模型结合了深度学习和传统直接、特征方法的优点，适用于实时的无人机图像处理任务。
摘要由CSDN通过智能技术生成

第一次来请先看这篇文章：【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用说明、创新思路分享等（不定期更新）

图像拼接系列相关论文精读

  1. Seam Carving for Content-Aware Image Resizing
  2. As-Rigid-As-Possible Shape Manipulation
  3. Adaptive As-Natural-As-Possible Image Stitching
  4. Shape-Preserving Half-Projective Warps for Image Stitching
  5. Seam-Driven Image Stitching
  6. Parallax-tolerant Image Stitching
  7. Parallax-Tolerant Image Stitching Based on Robust Elastic Warping
  8. SuperPoint: Self-Supervised Interest Point Detection and Description
  9. As-Projective-As-Possible Image Stitching with Moving DLT
  10. Leveraging Line-point Consistence to Preserve Structures for Wide Parallax Image Stitching
  11. Single-Perspective Warps in Natural Image Stitching
  12. Local-Adaptive Image Alignment Based on Triangular Facet Approximation
  13. Image stitching method by multi-feature constrained alignment and colour adjustment
了解本专栏 订阅专栏 解锁全文
十小大
关注
专栏目录
订阅专栏
【图像拼接/深度单应估计】论文精读：Content-Aware Unsupervised Deep Homography Estimation
畅游计算机视觉的海洋
12-26 2万+
单应性估计在许多应用中是一种基本的图像对齐方法。它通常是通过提取和匹配稀疏特征点来进行的，这在弱光和低纹理图像中容易出错。另一方面，以前的深度单应性方法使用合成图像进行监督学习或航空图像进行无监督学习，既忽略了处理现实世界应用中深度差异和移动对象的重要性。为了克服这些问题，在这项工作中，我们提出了一种具有新架构设计的无监督深度单应性方法。在传统方法中RANSAC过程的精神下，我们专门学习一个离群点掩码，只选择可靠的区域进行单应估计。我们计算关于我们学习的深度特征的损失，而不是直接比较之前的图像内容。为了实现
【图像拼接】论文精读：Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images（UDIS）
畅游计算机视觉的海洋
11-30 2万+
论文题目：Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images——无监督深度图像拼接：重构图像拼接特征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。为了解决上述限制，我们提出了一个由无监督粗图像对齐和无监督图像重建两个阶段组成的无监督深度图像拼接框架。
DeepHomography:内容感知无监督深度单应估计
04-30
内容感知无监督深层单应估计 在许多应用中，单应估计是一种基本的图像对齐方法。 通常是通过提取和匹配稀疏特征点来完成的，这些稀疏特征点在低光照和低纹理图像中容易出错。 另一方面，先前的深层单应性方法要么将合成图像用于监督学习，要么将航拍图像用于无监督学习，但都忽略了在实际应用中处理深度差异和移动对象的重要性。 为了克服这些问题，在这项工作中，我们提出了一种具有新架构设计的无监督深层单应性方法。 本着传统方法中RANSAC程序的精神，我们专门学习了一种离群值遮罩，仅选择可靠的区域进行单应性估计。 我们根据学习到的深度特征来计算损失，而不是像以前那样直接比较图像内容。 为了实现无监督培训，我们还为网络定制了一种新颖的三重态损耗。 我们通过对一个新的数据集进行全面比较来验证我们的方法，该数据集涵盖了任务难度各不相同的各种场景。 实验结果表明，我们的方法优于包括深度解决方案和基于特征的解决方案在内的
《Unsupervised Deep Homography: A Fast and Robust Homography Estimation Model》文献阅读
ha_lee的博客
05-09 577
单应性是一个平面的两个图像之间从不同角度的映射。它们在机器人和计算机视觉应用中发挥着重要作用，例如图像拼接[1]、单目SLAM[2]、3D相机姿势重建[3]和虚拟漫游[4]、[5]。例如，单形文字适用于由任意移动摄像机远距离观看的场景[6]，这是UA V图像中遇到的情况。然而，要在空中多机器人环境中良好工作，单应性估计算法需要可靠和快速。单应性估计的两种传统方法是直接方法和基于特征的方法[7]。
论文阅读笔记|Unsuperised Deep Homography
weixin_43917574的博客
03-01 3349
本文提出了一种无监督学习算法，设计了一个卷积神经网络进行单应性估计，使用了不需要人工标签的光度损失函数，并引入了张量直接线性变换层和空间变换层，在合成数据集和真实数据集上都取得了较好的效果。
Unsupervised Deep Homography - Pytorch实现
weixin_43917574的博客
03-22 2037
Unsupervised Deep Homography - Pytorch实现
Content-Aware Unsupervised Deep Homography Estimation
weixin_45826833的博客
12-07 2761
network structure: 网络提取出Ia和Ib的feature map，并预测出两张feature map的mask(和feature map同尺寸，mask的值代表该pixel为内点的概率),将feature map 与 mask相乘得到weighted feature map。 将两张weighted feature map拼接起来得到H × W × 2C的concat_feature_map送入一个resnet预测得到4个 2D offset vectors，即可求出对应的homogr
Deep Learning Based Registration文章阅读(一)《Content-Aware Unsupervised Deep Homography Estimation》
海绵宝宝强无敌的博客
02-23 1918
笔者每周计划详细看2-3篇比较新的深度学习做配准的文章，主要来源是CV比较好的期刊及顶会CV常用期刊及网址，看完后记录一下印象及理解会更加深刻，更欢迎交流~ Deep Learning Based Registration文章阅读(一) 本次阅读的文章题为《Content-Aware Unsupervised Deep Homography Estimation》，来源ECCV2020。 Prepare Knowledge 读者对单应性估计以及文中提到的传统方法中用到的RANSAC都不熟悉，故根据文中参考文
论文阅读2021——Motion Basis Learning for Unsupervised Deep Homography Estimation with Subspace Projection
小玺大大
08-26 969
2 算法 2.1 网络结构 网络结构如下所示，输入两个图片Ia,IbI_a,I_bIa​,Ib​，经过特征提取和单应估计网络，输出8个参数，这8个参数不是单应矩阵的8个参数，输出的这8个参数与8个预计算好的单应流加权平均才是最后的结果。 单应流和它的基本形式。单应矩阵有8个自由度，可以利用4对对应点直接通过直接馅饼变换计算得到。 ...
【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
热门推荐
畅游计算机视觉的海洋
11-30 3万+
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用CSDN来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
【图像拼接】源码精读：Parallax-Tolerant Image Stitching Based on Robust Elastic Warping（ELA/REW）
畅游计算机视觉的海洋
02-05 1万+
论文题目：Parallax-Tolerant Image Stitching Based on Robust Elastic Warping —— 基于非常灵活扭曲的大视差图像拼接算法注：matlab代码。【图像拼接论文精读】专栏对应文章【图像拼接】论文精读：Parallax-Tolerant Image Stitching Based on Robust Elastic Warping（ELA/REW）配合对应的文章阅读，效果更佳！注：请重点关注代码段中的注释！！！
【深度图像拼接】Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images（UDIS）阅读笔记
最新发布
weixin_47100795的博客
04-09 1406
L1损失即 求各个元素预测值和真实值差值的绝对值之和，再求平均值。计算公式为L1 Loss = (1/n) * Σ |预测值 - 真实值|。Lp感知损失通常通过将预训练模型的特征提取层嵌入到损失函数中来实现，然后通过梯度下降等优化方法来最小化这种损失，从而训练模型。具体计算方式需看文献《“Perceptual losses for real-time style transfer and super-resolution》。
图像配准学习小结 （一）
qq_43199876的博客
02-05 4370
图像配准学习小结 （一） 一、含义和意义 图像配准是找到一组变换参数，使得变换后的待配准图像与原始图像之间的相似度达到最高，目的在于将同一场景的不同图像转换到同样的坐标系中。待配准图像与原图像可能存在时间、捕获方式、角度等各方面的差异。 待配准图像向原图像进行变换的方式有刚体（平移旋转）变换、仿射变换、单应性变换、非刚性变换等。 非刚性能够局部扭曲目标图像，使其与参考图像对齐。包括径向基函数(薄板或曲面样条、多二次曲面和紧支撑转换)、物理连续模型(粘性流体)和大变形模型(差异同构)。医学图像配准中大多涉及非
计算神经网络学习图像的仿射变换
baidu_40840693的博客
05-09 1526
DeepImageHomographyEstimation https://blog.csdn.net/zcg1942/article/details/85254077 https://blog.csdn.net/ajing2014/article/details/53998866 https://arxiv.org/abs/1606.03798 https://github.com/yishiliuhuasheng/deep_image_homography_estimation http...
图像对齐深度学习算法调研
秋山丶雪绪的博客
11-23 7174
参考博客： 旷视 R TALK：图像对齐及其应用 单应性Homograph估计：从传统算法到深度学习 1. 传统算法 大致流程： 提取特征点 特征匹配 RANSAC 排除错误匹配 求解单应性（Homograph）矩阵 难点： 弱纹理、无纹理（特征少，难以提取） 低光图像、噪声干扰（特征集中在局部，对齐效果差） 重复纹理（特征匹配容易出错） 大前景干扰 大视差 深度视差（单应性变换本身的局限性） 2. 深度学习算法 2.1 Deep Image Homography Estimation（2016）
单应性Homography梳理，概念解释，传统方法，深度学习方法
tony365的博客
02-01 1686
homography flow 相比light flow 有更多的约束，homography flow是light flow的一个特殊情况，因为homography flow所有pixel的位移是通过一个转换关系得到的，而light flow是更generatic的情况。都用于计算单应矩阵，即解一个线性方程组。由于单应矩阵有8个未知数（3*3，其中第9个数为1），所以至少需要4个点（每个点-x,y,提供2个约束方程）。该篇论文和6类似，都是无监督学习，只是6把warp等操作放在网络里，7放在了损失函数里.
图像对齐讲座—旷世成都研究院 & 数据策略产品经理——阿里讲座
小小小麦昆的博客
12-18 1638
刘帅成博士，旷世成都研究院，该院2018年成立， 新加坡国立大学毕业 目录： 1基于传统算法 2基于深度学习 3基于硬件 Image aligment methods图像对齐 应用： 图片拼接：不同视角拍的建筑拼成更大的一个画面，全景图 去噪，防抖 HDR不同曝光的同一场景，选取不同的曝光区域 拼接 多摄像头协同工作，一个是长焦，一个是广角。 视频防抖。 挑战： 1 重复特征：大厦窗口纹理很像，...
Deep Image Homography Estimation 个人解读
ajing2014的专栏
01-03 7543
本篇博文主要讲解2016年发表在 Computer Visionand Pattern Recognition上的一篇文章Deep Image Homography Estimation文章地址，该文章主要讲述了使用ConvNet来实现对Homography的估计，作者来自于Magic Leap，一家做AR的公司，大家可能对这个名字不是很熟悉，但是相信该链接中的视频确实引起一阵AR的浪潮。
Deep Image Homography Estimation
zcg1942的博客
12-25 7456
在知乎问题：深度学习应用在哪些领域让你觉得「我去，这也能行！」？中遇到一篇提交在arXiv 2016（arXiv不是正式发表，只是可以证明原创性，提供时间戳的网站）的文章《Deep Image Homography Estimation》，感觉对自己帮助很大，所以记录在这里。 之前自己也在思考如何利用神经网络实现图像的配准，没思考出什么结果来。大部分的深度学习中使用的是单幅图像进行训练，如果输入...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

十小大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值