基本信息
摘要
单应性估计是计算机视觉中的一项重要任务,例如图像拼接、视频稳定和相机校准。传统的单应性估计方法严重依赖于特征点的数量和分布,导致在无纹理场景中鲁棒性较差。相反,学习解决方案试图学习强大的深度特征,但在低重叠率的场景中表现出令人不满意的性能。在本文中,我们通过设计一个上下文相关层来同时解决这两个问题,该层可以捕获特征图上的远程相关性并在学习框架中灵活地进行桥接。此外,考虑到单个单应性不能表示具有视差的深度变化图像中的复杂空间变换,我们建议从全局到局部预测多网格单应性。此外,我们通过引入一种新颖的深度感知形状保留损失,为我们的网络配备了深度感知能力。大量实验证明了我们的方法在合成基准数据集和真实世界数据集中优于其他最先进的解决方案。代码和模型将在 https://github.com/nie-lang/Multi-Grid-Deep-Homogarphy 上提供。