基于深度惩罚重建对齐的百万级图像联合对齐
计算机视觉与模式识别
2019-10-15 v2
摘要
从大量未对齐图像中以完全无监督方式外推细粒度像素级对应，可惠及若干计算机视觉与图形学问题，例如协同分割、超分辨率、图像编辑传播、运动恢复结构与三维重建。已有若干联合图像对齐与聚合（congealing）技术被提出以应对该问题，但初始化鲁棒性、扩展到大数据集的能力以及对齐精度似乎制约了其广泛应用。为克服这些局限，我们提出一种无监督联合对齐方法，利用密集融合的空间变换网络估计每幅图像的重映射参数，并利用低容量自编码器以其重建误差作为联合对齐的辅助度量。在多个版本 MNIST（即原始、扰动、affNIST 与 infiMNIST）的数字以及 LFW 人脸上的实验结果表明，我们的方法能够以高精度及对不同级别与类型扰动的鲁棒性对齐百万级图像。此外，定性与定量结果表明，所提方法在对齐质量与初始化鲁棒性上均优于当前最优方法。
引用
@article{arxiv.1908.04130,
title = {Jointly Aligning Millions of Images with Deep Penalised Reconstruction Congealing},
author = {Roberto Annunziata and Christos Sagonas and Jacques Cali},
journal= {arXiv preprint arXiv:1908.04130},
year = {2019}
}
备注
International Conference on Computer Vision 2019 (ICCV 2019), Seoul, Korea