秋山丶雪绪的博客

1. 前言代码地址论文地址  图像对齐方法大致分为两类：（1）参数化方法（非像素级对齐）  通常做法是将一对图像输入网络，最后通过一个全连接层得到一个8维的特征向量，对应图像4个顶点的偏移量，从而得到一个单应性矩阵作为对齐变换，详情参考图像对齐深度学习算法调研。（2）非参数化方法（像素级对齐）  通常做法是将源图 IsI_sIs​ 和目标图 ItI_tIt​ 先提取特征得到 FsF_sFs​ 与 FtF_tFt​，然后对两幅特征图计算特征相似度，从而得到特征匹配关系，最终得到像素级的对齐变换

参考博客：旷视 R TALK：图像对齐及其应用单应性Homograph估计：从传统算法到深度学习1. 传统算法大致流程：提取特征点特征匹配RANSAC 排除错误匹配求解单应性（Homograph）矩阵难点：弱纹理、无纹理（特征少，难以提取）低光图像、噪声干扰（特征集中在局部，对齐效果差）重复纹理（特征匹配容易出错）大前景干扰大视差深度视差（单应性变换本身的局限性）2. 深度学习算法2.1 Deep Image Homography Estimation（2016）

代码地址论文1. 论文1.1 问题针对图像对齐两大类方法的缺陷：参数化方法以单应性变换为代表，只能得到真实变换的一个近似（细节部分对齐不好）。非参数化方法以光流法为代表，局限于对非常相似的两张图像做像素级对齐变换。1.2 方法（粗略）第一步：粗对齐原始图像对通过 特征提取 + 特征匹配 得到若干对特征匹配点通过 RANSAC 得到粗对齐单应性矩阵 H1H_1H1​第二步：细对齐粗对齐后的图像对送到一个网络中，得到细对齐变换 Fine Flow 和匹配度 Match M