论文解读：Warp Consistency for Unsupervised Learning of Dense Correspondences

AMiner论文推荐：
来自ETH的研究者提出了Warp Consistency，这是一种用于密集对应回归的无监督学习目标。即使在外观和视角变化较大的环境中，这个目标也是有效的。给定一对真实图像，这种方法首先通过将随机采样扭曲应用于其中一个原始图像来构建图像三元组，推导并分析出三元组之间出现额度所有流一致性约束。根据经验，作者设计了一个通用的无监督目标和两个派生约束。Warp Consistency在包括MegaDepth、RobotCar 和 TSS 在内的几个具有挑战性的baseline上取得了SOTA。
论文名称：Warp Consistency for Unsupervised Learning of Dense Correspondences
论文链接：https://www.aminer.cn/pub/606eeb3e91e011aa47b6acc8?f=csdn

AMiner，让AI帮你理解科学！