PRISE：基于强星凸约束解构深度Lucas-Kanade的多模型图像对齐方法
计算机视觉与模式识别
2023-03-22 v1
摘要
Lucas-Kanade（LK）方法是用于图像对齐的经典迭代单应性估计算法，但在图像对存在较大畸变时常常陷入较差的局部最优。为应对这一挑战，本文提出一种新颖的深度星凸化 Lucas-Kanade（PRISE）方法，通过引入强星凸约束到优化问题中来实现多模型图像对齐。我们的基本思路是强制神经网络对任意数据近似学习出真值周围的星凸损失景观，以借助网络定义的高维空间促进LK方法收敛到真值。这导出一个极小极大学习问题，由于强星凸性的定义，将对比（hinge）损失附加到原始训练损失上。我们还提供了一种高效的基于采样的算法来降低训练成本，并对PRISE解的质量进行了一些分析。我们在 MSCOCO、GoogleEarth 和 GoogleMap 等基准数据集上进一步评估了我们的方法，展示了最先进的结果，尤其是在小像素误差方面。代码可从 https://github.com/Zhang-VISLab 下载。
引用
@article{arxiv.2303.11526,
title = {PRISE: Demystifying Deep Lucas-Kanade with Strongly Star-Convex Constraints for Multimodel Image Alignment},
author = {Yiqing Zhang and Xinming Huang and Ziming Zhang},
journal= {arXiv preprint arXiv:2303.11526},
year = {2023}
}
备注
8 pages, 7 figures, CVPR2023