SSORN：用于鲁棒单应性估计的自监督离群点去除网络
计算机视觉与模式识别
2022-08-31 v1
摘要
传统的单应性估计流程包含四个主要步骤：特征检测、特征匹配、离群点去除和变换估计。近期的深度学习模型意图使用单一卷积网络解决单应性估计问题。尽管这些模型以端到端方式训练以简化单应性估计问题，但它们缺乏传统单应性估计流程中的重要步骤——特征匹配步和/或离群点去除步。本文中，我们试图构建一个模仿传统单应性估计流程全部四个步骤的深度学习模型。特别地，特征匹配步使用代价体（cost volume）技术实现。为去除代价体中的离群点，我们将此离群点去除问题视为去噪问题，并提出一种新颖的自监督损失来求解该问题。在合成与真实数据集上的大量实验表明，所提模型优于现有的深度学习模型。
引用
@article{arxiv.2208.14093,
title = {SSORN: Self-Supervised Outlier Removal Network for Robust Homography Estimation},
author = {Yi Li and Wenjie Pei and Zhenyu He},
journal= {arXiv preprint arXiv:2208.14093},
year = {2022}
}