論文の概要: Image Matching with Scale Adjustment
- arxiv url: http://arxiv.org/abs/2012.05582v2
- Date: Mon, 20 Nov 2023 14:17:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 21:37:45.214896
- Title: Image Matching with Scale Adjustment
- Title（参考訳）: スケール調整による画像マッチング
- Authors: Yves Dufournaud, Cordelia Schmid, and Radu Horaud
- Abstract要約: 可変スケールでの関心点の表現と抽出方法を示す。
2つの異なる解像度で2つの画像を比較する方法を提案する。
- 参考スコア（独自算出の注目度）: 57.18604132027697
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we address the problem of matching two images with two
different resolutions: a high-resolution image and a low-resolution one. The
difference in resolution between the two images is not known and without loss
of generality one of the images is assumed to be the high-resolution one. On
the premise that changes in resolution act as a smoothing equivalent to changes
in scale, a scale-space representation of the high-resolution image is
produced. Hence the one-to-one classical image matching paradigm becomes
one-to-many because the low-resolution image is compared with all the
scale-space representations of the high-resolution one. Key to the success of
such a process is the proper representation of the features to be matched in
scale-space. We show how to represent and extract interest points at variable
scales and we devise a method allowing the comparison of two images at two
different resolutions. The method comprises the use of photometric- and
rotation-invariant descriptors, a geometric model mapping the high-resolution
image onto a low-resolution image region, and an image matching strategy based
on local constraints and on the robust estimation of this geometric model.
Extensive experiments show that our matching method can be used for scale
changes up to a factor of 6.
- Abstract（参考訳）: 本稿では,高分解能画像と低分解能画像の2つの異なる解像度とのマッチングの問題に対処する。
2つの画像間の解像度の差は分かっておらず、一般性を失うことなく1つの画像が高解像度画像であると仮定する。
解像度変化がスケール変化と同等の平滑化として働くことを前提として、高解像度画像のスケール空間表現を作成する。
したがって、1対1の古典画像マッチングパラダイムは、低解像度画像が高解像度画像のすべてのスケール空間表現と比較されるため、一対多となる。
このようなプロセスの成功の鍵は、スケールスペースでマッチする機能の適切な表現である。
可変スケールでの利得点の表現と抽出方法を示し、2つの異なる解像度で2つの画像を比較する方法を提案する。
本発明の方法は、測光および回転不変ディスクリプタの使用と、高分解能画像を低解像度の画像領域にマッピングする幾何学モデルと、局所的な制約と、この幾何学モデルのロバストな推定に基づく画像マッチング戦略とを含む。
大規模な実験により, 一致法は6。
関連論文リスト
- Accelerated Sub-Image Search For Variable-Size Patches Identification Based On Virtual Time Series Transformation And Segmentation [0.0]
本論文は, 物体の所定の基準画像に対して, (i) 空中画像において特定される干し草ベールなどの固定サイズの物体と, (ii) スポットスプレーやハンドリングを必要とするフィールド上の領域などの可変サイズのパッチを, 所定の小型参照画像に対して画像中に識別する,という2つの課題に対処する。
類似のサブイメージの正確な数は、前兆とは知られていない。
論文 参考訳（メタデータ） (2024-10-20T15:43:50Z) - Reconstructing Interpretable Features in Computational Super-Resolution microscopy via Regularized Latent Search [2.7194314957925094]
改良されたディープラーニングアプローチは、2つの画像解像度またはモダリティ間のマッピングを学習することで、顕微鏡画像の解像度を人工的に向上させることができる。
GAN潜時探索に基づく最近の手法では、ペア画像を必要としない解像度が大幅に向上した。
本稿では,正則化潜在探索(RLS)に基づく高分解能超解法を提案する。
論文 参考訳（メタデータ） (2024-05-29T14:20:46Z) - Continuous Cross-resolution Remote Sensing Image Change Detection [28.466756872079472]
実世界のアプリケーションは、空間解像度の異なるバイテンポラルイメージに基づいて、クロスレゾリューション変化検出(別名、CD)の必要性を高める。
本研究では,様々な解像度差の合成サンプルから得られたHR結果を連続的に予測するモデルを実現するために,スケール不変学習を提案する。
提案手法は,3つのデータセット上で,いくつかのバニラCD法と2つのクロスレゾリューションCD法より有意に優れていた。
論文 参考訳（メタデータ） (2023-05-24T04:57:24Z) - Learning Resolution-Adaptive Representations for Cross-Resolution Person
Re-Identification [49.57112924976762]
低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。
実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。
本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
論文 参考訳（メタデータ） (2022-07-09T03:49:51Z) - Multi-Modality Image Super-Resolution using Generative Adversarial
Networks [0.0]
画像超解像と多モード画像-画像変換の連立問題に対する解法を提案する。
この問題は、他のモードで同じ画像を低解像度で観察した場合に、高解像度の画像をモダリティで復元するものとして説明できる。
論文 参考訳（メタデータ） (2022-06-18T12:19:31Z) - Resolution based Feature Distillation for Cross Resolution Person
Re-Identification [17.86505685442293]
人物の再識別(re-id)は、異なるカメラビューで同一人物の画像を取得することを目的としている。
解像度のミスマッチは、興味のある人とカメラの間の距離が異なるため起こる。
本稿では,複数の解像度の問題を克服するために,分解能に基づく特徴蒸留(RFD)アプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T11:07:59Z) - LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution
Homography Estimation [52.63874513999119]
クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。
既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。
本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-08T02:51:45Z) - SRWarp: Generalized Image Super-Resolution under Arbitrary
Transformation [65.88321755969677]
ディープCNNは、単一の画像超解像を含む画像処理とそのアプリケーションで大きな成功を収めています。
近年のアプローチでは、実測値のアップサンプリング要因にまで範囲を広げている。
任意の画像変換に向けてSRタスクをさらに一般化するSRWarpフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-21T02:50:41Z) - InfinityGAN: Towards Infinite-Resolution Image Synthesis [92.40782797030977]
任意の解像度画像を生成するinfinityganを提案する。
少ない計算資源でパッチバイパッチをシームレスに訓練し、推論する方法を示す。
論文 参考訳（メタデータ） (2021-04-08T17:59:30Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。