基于渐进等价约束的半监督深度大基线单应性估计
计算机视觉与模式识别
2022-12-07 v1
摘要
由于图像重叠率低与有限感受野，大基线下的单应性估计易出错。为此，我们提出一种渐进估计策略，将大基线单应性转换为多个中间单应性，累积相乘这些中间项可重建初始单应性。同时，引入一种半监督单应性恒等损失，其由两部分组成：一个有监督目标与一个无监督目标。第一个有监督损失用于优化中间单应性，而第二个无监督损失无需光度损失即可帮助估计大基线单应性。为验证方法，我们提出一个覆盖常规与具挑战性场景的大规模数据集。实验表明，我们的方法在大基线场景中取得state-of-the-art性能，同时在小基线场景中保持有竞争力的性能。代码与数据集见https://github.com/megvii-research/LBHomo。
引用
@article{arxiv.2212.02763,
title = {Semi-supervised Deep Large-baseline Homography Estimation with Progressive Equivalence Constraint},
author = {Hai Jiang and Haipeng Li and Yuhang Lu and Songchen Han and Shuaicheng Liu},
journal= {arXiv preprint arXiv:2212.02763},
year = {2022}
}
备注
Accepted by AAAI2023