用于图像变形的局部隐式傅里叶表示学习
计算机视觉与模式识别
2022-07-06 v1
摘要
图像变形旨在将定义于矩形网格上的图像重塑为任意形状。近来,隐式神经函数在以连续方式表示图像方面展现出卓越性能。然而,独立的多层感知机难以学习高频傅里叶系数。本文提出一种用于图像变形的局部纹理估计器(LTEW),其后接隐式神经表示,将图像变形为连续形状。由深度超分辨率(SR)骨干网络估计的局部纹理乘以坐标变换的局部变化雅可比矩阵,以预测变形图像的傅里叶响应。我们基于LTEW的神经函数在非对称尺度超分辨率与单应变换上优于现有变形方法。此外,我们的算法能很好地泛化至任意坐标变换,例如训练未提供的大放大倍率单应变换与等距柱状投影(ERP)透视变换。
引用
@article{arxiv.2207.01831,
title = {Learning Local Implicit Fourier Representation for Image Warping},
author = {Jaewon Lee and Kwang Pyo Choi and Kyong Hwan Jin},
journal= {arXiv preprint arXiv:2207.01831},
year = {2022}
}
备注
ECCV 2022 camera-ready version (https://ipl.dgist.ac.kr/LTEW.pdf)