狄利克雷边界条件下用于图像拼接的残差弹性扭曲学习
计算机视觉与模式识别
2023-12-27 v3
摘要
基于学习的弹性扭曲新近方案使深度图像拼接能够对齐存在大视差误差的图像。尽管对齐效果出色，这些方法仍受目标图像重叠区与非重叠区之间偶发空洞或断裂的困扰，因为其采用的训练策略主要聚焦于重叠区对齐。因此，它们需要额外模块如接缝查找与图像修复来分别隐藏断裂和填充空洞。本工作中，我们提出循环弹性扭曲（REwarp），以狄利克雷边界条件解决该问题，并通过残差学习进行循环误对齐校正来提升性能。具体而言，REwarp 在边界约束下预测单应矩阵与薄板样条（TPS），以实现无断裂、无空洞的图像拼接。实验表明，与现有拼接方法相比，REwarp 具有优良的对齐效果与有竞争力的计算代价。我们的源代码见 https://github.com/minshu-kim/REwarp。
引用
@article{arxiv.2309.01406,
title = {Learning Residual Elastic Warps for Image Stitching under Dirichlet Boundary Condition},
author = {Minsu Kim and Yongjun Lee and Woo Kyoung Han and Kyong Hwan Jin},
journal= {arXiv preprint arXiv:2309.01406},
year = {2023}
}