Deep Image Homography Estimation 个人解读

最新推荐文章于 2024-10-15 17:19:27 发布
原创 最新推荐文章于 2024-10-15 17:19:27 发布 · 7.6k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #homography estimatio

本文深入解读了一篇关于使用深度学习（Deep Image Homography Estimation）估计图像单应性的研究，该研究来自Magic Leap。通过构建数据集和训练卷积神经网络（HomographyNet），在对比传统方法后，表明深度学习方法在某些情况下表现出更好的鲁棒性和精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

      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。Homography（单应性）为SLAM领域的问题，由于本人对SLAM并不是特别的了解，对该文章中的卷积神经网络的应用比较感兴趣，所以如果有领域内的专业术语理解有误或者措辞不当的请谅解。

     需要解决的问题？

     传统、简单的解决Homography的方法是使用一个3*3的矩阵和一个固定的尺度比例，如下公式所示：

                                                  &nbs

最低0.47元/天 解锁文章

200万优质内容无限畅学
【图像拼接/深度单应】论文精读：Deep Image Homography Estimation（HomographyNet）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-09 3806
我们提出了一个深度卷积神经网络来估计一对图像之间的相对单应性。我们的前馈网络有 10 层，将两个堆叠的灰度图像作为输入，并产生 8 个自由度单应性，可用于将第一个图像中的像素映射到第二个图像。我们为 HomographyNet 提出了两种卷积神经网络架构：一个直接估计实值单应性参数的回归网络，以及一个在量化单应性上产生分布的分类网络。我们使用 4 点单应性参数化，它将一张图像的四个角映射到第二张图像。我们的网络使用扭曲的 MS-COCO 图像以端到端的方式进行训练。我们的方法无需单独的局部特征检测和变换估计
【图像拼接/深度单应】论文精读：Unsupervised Deep Homography: A Fast and Robust Homography Estimation Model
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-09 3951
多个航拍图像之间的单应性估计可以为协同自主探索和监测提供相对位姿估计。机器人系统的使用需要一种快速鲁棒的单应性估计算法。在这项研究中，我们提出了一种无监督学习算法，该算法训练深度卷积神经网络来估计平面单应性。我们将所提出的算法与传统的基于特征的直接方法进行了比较，以及相应的监督学习算法。我们的实证结果表明，与传统方法相比，无监督算法实现了更快的推理速度，同时保持了对光照变化相当或更好的准确性和鲁棒性。此外，与相应的监督深度学习方法相比，我们的无监督方法具有更好的适应性和性能。
Homography estimation实现
miss libra
07-26 8026
1、RANSAC：RANdom Sample Consensus算法2、Poisson blending/Mix blending3、Homography estimation 这边先讲讲怎么实现homography matrix的实现吧。 背景故事是这样的：有一座美丽的房子，从正面拍了一张照片，换个角度再拍一张，然后想要把侧面的图变换回去，这就需要知道他们之间的变换关系。这个变换关系可以通过对
Deep Image Homography Estimation
zcg1942的博客
12-25 7562
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...
【Homography Estimation】《Deep Image Homography Estimation》
bryant_meng
07-20 1030
arXiv-2016。
（Neurocomputing21）Image stitching via deep homography estimation
03-22
### 图像拼接通过深度同源性估计 #### 摘要与背景 本文献《图像拼接通过深度同源性估计》探讨了一种利用深度学习技术进行图像拼接的新方法。传统上，图像拼接依赖于特征提取算法，如SIFT、SURF等，这些算法需要...
Depth-Aware Multi-Grid Deep Homography Estimation with Contextual Correlation 文献阅读笔记
weixin_47100795的博客
10-15 733
传统得单应性估计方法严重依赖于特征点对应得数量和分布，这导致在低纹理场景中鲁棒性较差。相反，基于学习得方法试图学习鲁棒的深度特征，但在重叠率较低的场景中表现不佳。在这篇文章中，作者同时解决了这两个问题，设计了一种上下文相关层（CCL）。CCL能够有效地捕捉特征图之间的长距离关联，并且可以灵活地应用于学习框架中。此外，考虑到单一的单应性变换无法表示具有视差的深度变化图像中的复杂空间变换，文章提出从全局到局部预测多网格单应性。而且，通过引入一种新的感知深度的保形损失函数，使网络具备了深度感知能力。
阅读笔记（arXiv2016）Deep Image Homography Estimation
小秋在路上~
03-21 2303
深度图像单应性估计 摘要 我们提出了一个深度卷积神经网络来估计一对图像之间的单应性矩阵。我们的前馈网络有10层，将两个堆叠的灰度图像作为输入，并生成8个自由度单应矩阵，可用于将像素从第一个图像映射到第二个图像。我们为HomographyNet提出了两种卷积神经网络架构：一种直接估计实值单应性参数的回归网络，以及产生量化单应性分布的分类网络。我们使用4点单应性参数化将四个角点从一个图像映射...
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
Drivable Road Region Detection based on Homography Estimation
11-02
关于自动驾驶中的道路选择问题，及其相关的算法。
Homography-Estimation:使用RANSAC算法的单应性估计项目
03-30
单应估计 迪安·斯特拉塔科斯（Dean Stratakos） 2020年11月4日 一种RANSAC算法，用于估计连续图像帧之间的单应性。 · 目录 关于该项目 功能性 该项目目前具有两个主要功能。 第一个功能是估计两个输入图像帧之间的单应性。 这是通过在每个图像中找到关键点，在图像之间找到关键点匹配并运行RANSAC来确定匹配中的孤立点和孤立点来实现的。 第二个功能是扩展第一个功能，以在整个帧序列或输入视频上运行。 这将输出一个新的视频，突出显示跨帧的孤立点和离群值以及与每对连续帧相关的单应性。 算法细节 同形异义词 在计算机视觉中，单应性是描述空间中同一平面的任意两个图像（或照片）之间关系的变换。 在数学上（在射影几何学中），单应性是射影空间的同构，并且历史上一直用于解释和研究从不同角度观察到的两个平面的外观差异。 可以将同形异义字表示为3 x 3矩阵，该矩阵可以与原始图像中的任何
Deep Image Homography Estimation（基于深度学习的图像单应性估计）
有才的博客
10-16 2310
我们的前馈网络有10层，以两张堆叠的灰度图像作为输入，并产生8个自由度的同形图，可用于将像素从第一张图像映射到第二张图像。我们为HomographyNet提出了两种卷积神经网络结构:一种是直接估计实值同质参数的回归网络，另一种是产生量子化同质分布的分类网络。我们使用一个4点单应性参数化，将一个图像的四个角映射到第二个图像。我们的网络以端到端方式使用扭曲的MS-COCO图像进行训练。我们的方法不需要单独的局部特征检测和转换估计阶段。
ISP图像对齐笔记（二）：Deep Image Homography Estimation
mikhailbran的博客
12-12 1228
图像对齐、深度学习
文章《Deep Image Homography Estimation》
CVAIDL的博客
04-28 861
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，如果输入的是变形图像和参考图像，其实可以借鉴图像匹配的网络，但是还是不清楚具体如何进行。甚至开始怀疑配准的意义，既然都有一幅ground truth了，为什么不直接使用而需要将另外一幅进行配准。最后这个问题后来想通了：配准指的是形态配准到一致，但在异源图像的融合中，还需要两幅图像之...
论文阅读笔记|Deep Image Homography Estimation
weixin_43917574的博客
03-24 3665
基于卷积神经网络强大的特征提取能力，本文构造了一个VGG风格的回归网络，可以从两幅图像中直接学习单应性变换的参数，在合成数据集上取得了比ORB更好的效果。
Deep Homography Estimation for Dynamic Scenes 论文笔记
Nismilesucc的学习札记
12-24 1287
Introduction 单应矩阵估计方法（传统+deep learning） 本文的工作 auxiliary loss function: compares the dynamic mask from the ground-truth dynamics map that is estimated from the training data. Related Work 1.Pixel-based approaches 直接搜索使得两张图片对齐误差最小的单应矩阵 已有的误差度量和参数搜索算法（层次估计、
深度学习图像对齐
最新发布
03-31
##### 典型算法分析 - Deep Image Homography Estimation (DIHE) - **发布时间**: 2016年 - **核心思想**: DIHE 提出了端到端框架来估计两张图片之间的单应矩阵(Homography Matrix)，该过程完全由CNN完成而不依赖...
评论 2
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
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