用于鲁棒无监督单应性估计的感知损失
计算机视觉与模式识别
2021-04-21 v1 人工智能
机器学习
摘要
单应性估计在许多计算机视觉任务中常是不可或缺的一步。然而，现有方法对照明和/或较大视角变化不够鲁棒。在本文中，我们提出双向隐式单应性估计（biHomE）损失用于无监督单应性估计。biHomE 最小化源视角扭曲图像与目标视角对应图像在特征空间中的距离。由于我们使用固定的预训练特征提取器，且我们框架中唯一可学习的组件是单应性网络，我们有效地将单应性估计与表示学习解耦。我们在合成 COCO 数据集生成中使用了额外的光度失真步骤，以更好地表征真实场景的照明变化。我们表明 biHomE 在合成 COCO 数据集上达到了最先进的性能，且与监督方法相当或更好。此外，实证结果证明了我们的方法相较于现有方法对照明变化的鲁棒性。
引用
@article{arxiv.2104.10011,
title = {Perceptual Loss for Robust Unsupervised Homography Estimation},
author = {Daniel Koguciuk and Elahe Arani and Bahram Zonooz},
journal= {arXiv preprint arXiv:2104.10011},
year = {2021}
}
备注
Accepted at Image Matching: Local Features & Beyond (CVPR 2021 Workshop)