坐标转换中基于残差的神经网络用于未建模畸变研究
地球物理
2025-05-08 v1 计算机视觉与模式识别
机器学习
应用统计
机器学习
摘要
坐标转换模型通常无法解释非线性和空间相关的畸变，导致地理空间应用中出现显著的残差。本文提出一种基于残差的神经校正策略，其中神经网络仅学习由初始几何转换留下的系统性畸变。通过仅关注残差模式，该方法降低了模型复杂度并提高了性能，尤其是在控制点配置稀疏或结构化的场景下。我们使用具有不同畸变强度和采样策略的模拟数据集，以及在真实世界的图像地理配准任务下对该方法进行了评估。与直接的神经网络坐标转换器和经典转换模型相比，基于残差的神经校正在挑战性条件下提供了更准确和稳定的结果，同时在理想情况下保持了相当的性能。这些发现证明了残差建模作为一种轻量级且鲁棒的替代方案，在提高坐标转换精度方面的有效性。
引用
@article{arxiv.2505.03757,
title = {On the Residual-based Neural Network for Unmodeled Distortions in Coordinate Transformation},
author = {Vinicius Francisco Rofatto and Luiz Felipe Rodrigues de Almeida and Marcelo Tomio Matsuoka and Ivandro Klein and Mauricio Roberto Veronez and Luiz Gonzaga Da Silveira Junior},
journal= {arXiv preprint arXiv:2505.03757},
year = {2025}
}