論文の概要: Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images

• arxiv url: http://arxiv.org/abs/2106.12859v1
• Date: Thu, 24 Jun 2021 09:45:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:07:57.411078
• Title: Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images
• Title（参考訳）: 教師なし深部画像縫合:画像への縫合特徴の再構築
• Authors: Lang Nie, Chunyu Lin, Kang Liao, Shuaicheng Liu, Yao Zhao
• Abstract要約: 本稿では,教師なしの粗い画像アライメントと教師なしの画像再構成の2段階からなる,教師なしの深層画像ストレッチフレームワークを提案する。 第1段階では、大規模なベースラインシーンに適した教師なしホモグラフィネットワークを制約するアブレーションに基づく損失を設計する。 第2段階では、画素レベルの不一致を一定程度特徴レベルで除去できるという知見に動機付けられ、特徴から画素へのアーティファクトを除去するための教師なし画像再構成ネットワークを設計する。
• 参考スコア（独自算出の注目度）: 38.95610086309832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional feature-based image stitching technologies rely heavily on feature detection quality, often failing to stitch images with few features or low resolution. The learning-based image stitching solutions are rarely studied due to the lack of labeled data, making the supervised methods unreliable. To address the above limitations, we propose an unsupervised deep image stitching framework consisting of two stages: unsupervised coarse image alignment and unsupervised image reconstruction. In the first stage, we design an ablation-based loss to constrain an unsupervised homography network, which is more suitable for large-baseline scenes. Moreover, a transformer layer is introduced to warp the input images in the stitching-domain space. In the second stage, motivated by the insight that the misalignments in pixel-level can be eliminated to a certain extent in feature-level, we design an unsupervised image reconstruction network to eliminate the artifacts from features to pixels. Specifically, the reconstruction network can be implemented by a low-resolution deformation branch and a high-resolution refined branch, learning the deformation rules of image stitching and enhancing the resolution simultaneously. To establish an evaluation benchmark and train the learning framework, a comprehensive real-world image dataset for unsupervised deep image stitching is presented and released. Extensive experiments well demonstrate the superiority of our method over other state-of-the-art solutions. Even compared with the supervised solutions, our image stitching quality is still preferred by users.
• Abstract（参考訳）: 従来の特徴ベースの画像縫合技術は、特徴検出の品質に大きく依存しており、少ない特徴や低解像度の画像縫合に失敗することが多い。 学習ベースの画像ステッチリングソリューションはラベル付きデータの欠如のためにほとんど研究されないため、教師付きメソッドは信頼できない。 そこで,本研究では,教師なし画像アライメントと教師なし画像再構成の2段階からなる教師なし深部画像アライメントフレームワークを提案する。 第1段階では、大規模なベースラインシーンに適した教師なしホモグラフィネットワークを制約するアブレーションに基づく損失を設計する。 さらに、入力画像をステッチ領域空間に反動させる変圧器層を導入する。 第2段階では、画素レベルの不一致をある程度特徴レベルで除去できるという知見に動機付けられ、特徴から画素へのアーティファクトを除去するための教師なし画像再構成ネットワークを設計する。 具体的には、低分解能変形分枝と高分解能洗練分枝で再構成ネットワークを実装でき、画像ステッチの変形規則を学習し、同時に解像度を向上させることができる。 評価ベンチマークを確立し、学習フレームワークを訓練するために、教師なし深層画像縫合のための包括的な実世界の画像データセットを提示し、リリースする。 広範な実験により,本手法は他の最先端ソリューションよりも優れていることが示された。 教師付きソリューションと比較しても、画像ステッチの質は依然としてユーザに好まれる。

関連論文リスト

• Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
  超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。 再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。 目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
  論文  参考訳（メタデータ） (2024-07-18T06:50:39Z)
• A Multi-scale Generalized Shrinkage Threshold Network for Image Blind Deblurring in Remote Sensing [5.957520165711732]
  縮小しきい値の反復を交互に利用するブラインドデブロアリング学習フレームワークを提案する。 また、画像領域における深部近位写像モジュールを提案し、一般化された縮小しきい値とマルチスケールの先行特徴抽出ブロックを組み合わせた。
  論文  参考訳（メタデータ） (2023-09-14T08:48:44Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)
• Generative and Discriminative Learning for Distorted Image Restoration [22.230017059874445]
  Liquifyは、画像の歪みに使用できる画像編集のテクニックである。 本稿では,深層ニューラルネットワークに基づく新しい生成的・識別的学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-11T14:01:29Z)
• 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)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。