摘要
摘要——传统的基于特征的图像拼接技术在很大程度上依赖于特征检测质量,往往无法拼接特征较少或分辨率低的图像。由于缺乏标记数据,很少研究基于学习的图像拼接解决方案,这使得监督方法不可靠。为了解决上述限制,我们提出了一个无监督的深度图像拼接框架,包括两个阶段:无监督的粗略图像对齐和无监督的图像重建。在第一阶段,我们设计了一个基于消融的损失来约束一个无监督的单应网络,它更适合大基线场景。此外,引入了一个转换器层来扭曲拼接域空间中的输入图像。在第二阶段,基于可以在一定程度上消除特征水平的像素级错位的见解,我们设计了一个无监督的图像重建网络来消除从特征到像素的伪影。具体来说, 重建网络可以由一个低分辨率的变形分支和一个高分辨率的细化分支实现,学习图像拼接的变形规则,同时提高分辨率 。为了建立评估基准并训练学习框架,提出并发布了用于无监督深度图像拼接的综合真实世界图像数据集。大量实验很好地证明了我们的方法优于其他最先进的解决方案。甚至与监督解决方案相比,我们的图像拼接质量仍然受到用户的青睐。