全景视觉中表示学习、优化策略及应用的综述
计算机视觉与模式识别
2025-02-18 v1
摘要
全景图像（ODI）数据采用 360x180 的视野，远宽于针孔相机，捕获的环境细节也丰富于conventional 透视图像。近年来，面向大众的 360 相机的可得性使全景视觉更加流行，深度学习（DL）的进展显著推动了其研究和应用。本文提出了系统性和全面性的综述和分析，涵盖了 DL for omnidirectional vision 最近的进展。我们阐明了将 DL 应用于全景图像相对于传统透视图像所面临的独特挑战和复杂性。我们的工作涵盖四个主要内容：（i）对全景成像原理和 ODI 常见投影的彻底介绍；（ii）针对 ODI 的 various 表示学习方法的系统性综述；（iii）针对全景视觉的优化策略的深入调查；（iv）DL 方法的结构化和分层分类学，用于代表性全景视觉任务，从视觉增强（例如图像生成和超分辨率）到 3D 几何和运动估计（例如深度和光流估计），并讨论了新兴研究方向；（v）最前沿应用（例如自动驾驶和虚拟现实）的概览，伴随对现存挑战和开放问题的批判性讨论，以激发社区的更多研究。
引用
@article{arxiv.2502.10444,
title = {A Survey of Representation Learning, Optimization Strategies, and Applications for Omnidirectional Vision},
author = {Hao Ai and Zidong Cao and Lin Wang},
journal= {arXiv preprint arXiv:2502.10444},
year = {2025}
}
备注
37 pages, 24 figures, accepted by IJCV