qq_22565865的博客

论文阅读-Unsupervised Stereoscopic Image Retargeting via View Synthesis and Stereo Cycle Consistency Losses摘要1.介绍2.相关工作2.1 2D图像重定向2.2 立体图像重定向3.提出的方法3.1 USIR-Net的结构3.2 视图合成损失3.3 立体循环一致性损失3.4 实现细节摘要作者提出了一个无监督立体图像重定向网络（USIR-Net), 从而在没有标签信息的情况下解决立体图像重定向的问题。通过探

论文阅读：Stereo Magnification: Learning view synthesis using multiplane images摘要1.介绍2.相关工作3.提出的方法3.1 多平面图像表示(MPI)3.2 从立体对学习3.3 使用MPIs进行可微视图合成3.3.1 平面变换3.3.2 Alpha 合成3.4 目标函数3.5 实现细节4. 数据4.1 识别视频4.2 利用SLAM识别和跟踪视频片段4.3 通过[束调整(wiki)](https://en.wikipedia.org/wiki

SLWAP论文阅读笔记文章：摘要：提出的方法：A.能量最小化1)失真能量2）直线弯曲能量3）对齐能量4） 视差一致能量文章：Chang, C. H., C. K. Liang and Y. Y. J. I. T. o. M. Chuang (2011). “Content-Aware Display Adaptation and Interactive Editing for Stereoscopic Images.” 13(4): 589-601.摘要：我们提出了一种内容感知的立体图像显示自适应

有关3D图像重定向性能评估方法1.2017-Wang et.al.缩略图生成[1]1.1 定性分析1.2 定量分析2.2019-MSTGAR[7]2.1 数据集2.2 定性分析2.2.1 缩略图质量2.2.2 深度感知2.3 定量分析3. 2019-SIRQA[13]3.1 数据集3.2 三维图像重定目标的客观质量度量3.2.1 MRT 特征表示3.2.2 VPT特征表示3.2.3 质量评估1.2017-Wang et.al.缩略图生成[1]1.1 定性分析与自身比较的缩略图生成方法：分类

Wang-2017-立体缩略图生成1.介绍2.相关工作3.提出的方法3.1立体显著性检测3.1.1 基于视差和边缘的显著性1.介绍2.相关工作3.提出的方法3.1立体显著性检测3.1.1 基于视差和边缘的显著性边缘组成了一种重要的显著性刺激。作者观察到，视差的边缘可以揭示闭塞边界的位置，这个位置通常也是对应着物体的物理边界。边缘和视差边界提供了补充信息。边缘精确地勾勒出对象轮廓。但是，它们通常过于密集，并且出现在对象内部。相反，由于视差估计中的误差，视差边界通常不覆盖整个对象边界，而

MSTGAR:3D缩略图生成I.介绍II.相关工作III.提出的方法A.深度可控的多尺度缩略图生成1）针对低分辨率图像的视觉模型2）多尺度缩略图生成B.裁剪网络C.裁剪窗口精细化物体能量EObjectE_{Object}EObject​颜色特征能量EColorE_{Color}EColor​边缘特征能量EEdgeE_{Edge}EEdge​总能量IV.实验结果A.数据集B.定性分析1）缩略图质量2）深度感知C.定量分析D. 多重算子的影响E.计算复杂度分析F.局限性I.介绍一个好的立体缩略图应该具有两个

论文阅读笔记：美学引导的带有深度适应的立体3D图像重构I.介绍II.相关工作A.单目（2D）图像处理1）美学驱动的重构（Recomposition）2)图像分割与抠图（Segment and Matting）B.立体3D图像处理1）立体图像重定向（Retargeting）2)立体图像重构（Recompositon）3)视差/深度 调整（disparity/depth adjustment）III.立体图像美学A.摄影构图规则1）主体主导性（SD）2）三分法则（RTs）3）视觉平衡（VB）4）物体尺寸（SZ）