Deep Homography 效果展示

最新推荐文章于 2024-12-02 18:17:30 发布
原创 最新推荐文章于 2024-12-02 18:17:30 发布 · 250 阅读 · 0 ·
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。

本文对比了多种图像处理方法的效果，包括传统的MSE方法与使用res34_L1、res34_sobel等技术进行图像处理后的MSE值，并探讨了不同方法在图像处理中的优劣。
原图res34_L1res34_sobelres34_L1_add_sobelres34_SIFT_patch_size_16res34_SIFT_patch_size_16_add_L1 

 

 

 

 原图

传统 MSE_55.8012

res34_L1 MSE_60.8818

res34_sobel MSE_58.1650

res34_L1_add_sobel MSE_55.8332

res34_SIFT_patch_size_16 MSE_58.2632

res34_SIFT_patch_size_16_add_L1 MSE_56.2632

原图 

传统 MSE_40.4672

res34_L1 MSE_42.1114

res34_sobel MSE_41.1663

res34_L1_add_sobel MSE_42.5255

res34_SIFT_patch_size_16 MSE_40.3596

res34_SIFT_patch_size_16_add_L1_MSE_42.4940

原图

传统 MSE_22.7823

res34_L1  MSE_23.4989

res34_sobel MSE_22.7520

res34_L1_add_sobel MSE_24.5640

res34_SIFT_patch_size_16 MSE_19.6672

res34_SIFT_patch_size_16_add_L1 MSE_24.9769

 

【图像拼接/深度单应估计】论文精读：Content-Aware Unsupervised Deep Homography Estimation
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】
12-26 2万+
单应性估计在许多应用中是一种基本的图像对齐方法。它通常是通过提取和匹配稀疏特征点来进行的，这在弱光和低纹理图像中容易出错。另一方面，以前的深度单应性方法使用合成图像进行监督学习或航空图像进行无监督学习，既忽略了处理现实世界应用中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度单应性方法。在传统方法中RANSAC过程的精神下，我们专门学习一个离群点掩码，只选择可靠的区域进行单应估计。我们计算关于我们学习的深度特征的损失，而不是直接比较之前的图像内容。为了实现
【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 3977
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
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
论文阅读笔记|Unsuperised Deep Homography
weixin_43917574的博客
03-01 3784
本文提出了一种无监督学习算法，设计了一个卷积神经网络进行单应性估计，使用了不需要人工标签的光度损失函数，并引入了张量直接线性变换层和空间变换层，在合成数据集和真实数据集上都取得了较好的效果。
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 2590
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。
Deep Homography with Transformer实验学习记录
Nismilesucc的学习札记
11-01 457
1 文献阅读及记录 阅读笔记（arXiv2016）Deep Image Homography Estimation 2 实验 DETR:End-to-End Object Detection with Transformers End-to-End Object Detection with Transformers[DETR] VIT vision transformer pytorch代码复现 Vision Transformer 知乎 3 Github源码 COTR Deep-homography-e
Deep Homography Estimation for Dynamic Scenes 论文笔记
Nismilesucc的学习札记
12-24 1344
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、
【论文精读】Learning Edge-Preserved Image Stitching from Large-Baseline Deep Homography
qq_46111316的博客
04-01 4152
文章目录一、论文翻译题目：从大基线深度单应性学习边缘保留图像拼接0摘要1引言2相关工作A传统图像拼接B深度单应方案C深度图像拼接3方法3.1大基线深度单应3.2边缘保持变形网络3.3无尺寸拼接4实验4.1数据集和实现细节4.2和单应估计比较4.3和图像拼接算法对比4.4消融实验5结论二、论文总结 一、论文翻译 题目：从大基线深度单应性学习边缘保留图像拼接 0摘要 图像拼接是计算机视觉中一项经典而关键的技术，旨在生成具有宽视场的图像。传统方法严重依赖特征检测，要求场景特征在图像中密集且分布均匀，导致重影效果参
【图像拼接】论文精读：Learning Edge-Preserved Image Stitching from Large-Baseline Deep Homography
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】
12-15 2万+
图像拼接是计算机视觉中一种经典而关键的技术，旨在生成具有广泛视野的图像。传统方法严重依赖于特征检测，要求场景特征在图像中密集且均匀分布，导致鬼影效应变化，鲁棒性差。学习方法通常受到固定视图和输入大小限制的影响，表明在其他真实数据集上缺乏泛化能力。在本文中，我们提出了一个图像拼接学习框架，该框架由大基线深度单应性模块和边缘保留变形模块组成。首先，我们提出了一个大基线深度单应性模块来估计参考图像和目标图像在不同特征尺度上的精确投影变换。之后，设计了一个边缘保留的变形模块来学习图像拼接从边缘到内容的变形规则，尽可
【图像拼接】论文精读：Depth-Aware Multi-Grid Deep Homography Estimation with Contextual Correlation（CCL）
热门推荐
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】
12-15 2万+
单应性估计是计算机视觉应用中的一项重要任务，如图像拼接、视频稳定和相机标定。传统的单应性估计方法严重依赖于特征对应的数量和分布，导致低纹理场景下鲁棒性较差。相反，学习解决方案试图学习鲁棒的深度特征，但在重叠率较低的场景中表现出不满意的性能。在本文中，我们通过设计一个上下文相关层 (CCL) 来同时解决这两个问题。CCL可以有效地捕获特征图中的长程相关性，并可以灵活地用于学习框架。此外，考虑到单个单应性不能表示具有视差的深度变化图像中的复杂空间变换，我们建议从全局到局部预测多网格单应性。此外，我们通过引入一种
Jetson Hello AI World Networks — Deep-Homography-COCO
05-18
Nvidia jetson-inference Hello AI World Networks Packages
Deep Homography Estimation - Pytorch实现
weixin_43917574的博客
03-24 2468
Deep Image Homography Estimation - Pytorch实现
Unsupervised Deep Homography - Pytorch实现
weixin_43917574的博客
03-22 2280
Unsupervised Deep Homography - Pytorch实现
【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 4139
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。
阅读笔记（arXiv2016）Deep Image Homography Estimation
小秋在路上~
03-21 2369
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...
【图像拼接/深度单应估计】论文精读：Deep Homography Estimation for Dynamic Scenes
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】
12-26 2万+
单应性估计是许多计算机视觉问题的重要一步。最近，与传统方法相比，深度神经网络方法已被证明有利于这个问题。然而，这些新方法没有考虑输入图像中的动态内容。他们仅使用可以使用单应性完美对齐的图像对来训练神经网络。本文研究了并讨论了如何设计和训练处理动态场景的深度神经网络。我们首先收集了一个动态内容的大型视频数据集1。然后，我们开发了一个多尺度神经网络，并表明当使用我们的新数据集正确训练时，这个神经网络已经可以在一定程度上处理动态场景。为了更有原则的方式估计动态场景的单应性，我们需要识别动态内容。由于动态内容检测和
[论文笔记]Depth-Aware Multi-Grid Deep Homography Estimation with Contextual Correlation
AI 算法笔记
05-03 2784
如何解决单应性估计在低纹理和低重叠率场景效果不理想的问题？本文提出一种基于上下文相关性的多网格单应性估计方法来解决这两种问题
【深度图像拼接学习4】基于Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images的思考
最新发布
qq_62140542的博客
12-02 1214
目前已经complete作者的stage1部分代码的改写与理解，后续打算训练一下看看效果。在看第二部分reconstruction之前开一篇新文章，因为我发现作者的第一部分alignment实际就是之前学者们在做的图像的配准（对齐）工作，因此这里打算去再看几篇文献加深对该方面的理解，便于后续着手进行改进。在这个时候接触到了上刘帅成教授的学术报告，因此就根据此进行相关理解。注：教授首先提出了stitching过程中的主要问题（个人感觉还是很精辟的，可以作为自己研究重点）：重复纹理；无纹理/弱纹理；
Deep Image Homography Estimation 个人解读
ajing2014的专栏
01-03 7703
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。
Jetson深度学习示例：Deep-Homography-COCO网络应用
标题“Jetson Hello AI World Networks — Deep-Homography-COCO”涉及的IT知识点较多，我们可以将它们分解为以下几个部分来详细探讨： 1. Jetson平台 2. Hello AI World 3. Networks Packages 4. Nvidia Jetson-...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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