基于真实数据集生成的监督单应性学习
计算机视觉与模式识别
2023-08-16 v2
摘要
本文提出一种迭代框架，包含生成阶段与训练阶段两个过程，用于生成真实训练数据并得到监督单应性网络。在生成阶段，给定一对无标签图像，我们利用该图像对预先估计的主导平面掩码与单应性，以及另一采样得到的、作为真实值的单应性，生成具有真实运动的新标签训练图像对。在训练阶段，生成的数据用于训练监督单应性网络，其中训练数据通过内容一致性模块与质量评估模块进行精炼。一次迭代完成后，训练好的网络用于下一轮数据生成阶段以更新预先估计的单应性。通过这种迭代策略，数据集的质量与网络的性能可逐步同时提升。实验结果表明，我们的方法取得了最先进的性能，且现有监督方法也可基于所生成的数据集得到改进。代码与数据集见 https://github.com/JianghaiSCU/RealSH。
引用
@article{arxiv.2307.15353,
title = {Supervised Homography Learning with Realistic Dataset Generation},
author = {Hai Jiang and Haipeng Li and Songchen Han and Haoqiang Fan and Bing Zeng and Shuaicheng Liu},
journal= {arXiv preprint arXiv:2307.15353},
year = {2023}
}
备注
Accepted by ICCV 2023