基于上下文相关性与深度感知的多网格深度单应性估计
计算机视觉与模式识别
2021-11-09 v2 人工智能
摘要
单应性估计是计算机视觉应用（如图像拼接、视频稳像和相机标定）中的一项重要任务。传统单应性估计方法严重依赖特征对应点的数量与分布，导致在低纹理场景中鲁棒性差。相反，学习方案试图学习鲁棒的深度特征，但在低重叠率场景中表现不佳。本文通过设计上下文相关性层（CCL）同时解决这两个问题。CCL能够高效捕获特征图内的长程相关性，并可灵活用于学习框架中。此外，考虑到单一单应性无法表示具有视差且深度变化图像中的复杂空间变换，我们提出从全局到局部预测多网格单应性。而且，通过引入一种新颖的深度感知保形损失，我们使网络具备深度感知能力。大量实验证明了我们的方法在合成基准数据集与真实世界数据集上优于最先进的方案。代码与模型将发布于https://github.com/nie-lang/Multi-Grid-Deep-Homography。
引用
@article{arxiv.2107.02524,
title = {Depth-Aware Multi-Grid Deep Homography Estimation with Contextual Correlation},
author = {Lang Nie and Chunyu Lin and Kang Liao and Shuaicheng Liu and Yao Zhao},
journal= {arXiv preprint arXiv:2107.02524},
year = {2021}
}
备注
Accepted by IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)