論文の概要: Object-level Geometric Structure Preserving for Natural Image Stitching
- arxiv url: http://arxiv.org/abs/2402.12677v1
- Date: Tue, 20 Feb 2024 02:54:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 17:22:16.229110
- Title: Object-level Geometric Structure Preserving for Natural Image Stitching
- Title(参考訳): 自然画像ストレッチのためのオブジェクトレベルの幾何構造
- Authors: Wenxiao Cai, Wankou Yang
- Abstract要約: 我々は、Global similarity Priorに基づく画像内のOBJectレベルの構造を保護します。
我々は、OBJ-GSPで歪みやゴーストを緩和する。
本手法は画像縫合における最先端のベンチマークを新たに確立する。
- 参考スコア(独自算出の注目度): 14.039603036741278
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The topic of stitching images with globally natural structures holds
paramount significance. Current methodologies exhibit the ability to preserve
local geometric structures, yet fall short in maintaining relationships between
these geometric structures. In this paper, we endeavor to safeguard the
overall, OBJect-level structures within images based on Global Similarity
Prior, while concurrently mitigating distortion and ghosting artifacts with
OBJ-GSP. Our approach leverages the Segment Anything Model to extract geometric
structures with semantic information, enhancing the algorithm's ability to
preserve objects in a manner that aligns more intuitively with human
perception. We seek to identify spatial constraints that govern the
relationships between various geometric boundaries. Recognizing that multiple
geometric boundaries collectively define complete objects, we employ triangular
meshes to safeguard not only individual geometric structures but also the
overall shapes of objects within the images. Empirical evaluations across
multiple image stitching datasets demonstrate that our method establishes a new
state-of-the-art benchmark in image stitching. Our implementation and dataset
is publicly available at https://github.com/RussRobin/OBJ-GSP .
- Abstract(参考訳): グローバルな自然構造を持つ画像の縫い付けは重要な意味を持つ。
現在の方法論は局所幾何学的構造を保存する能力を示しているが、これらの幾何学的構造間の関係を維持するには不足している。
本稿では,グローバル類似性優先に基づく画像内のOBJectレベルの全体構造を保護するとともに,OBJ-GSPによる歪みやゴーストを同時に緩和する。
我々のアプローチは、セグメンション・アシング・モデルを利用して意味情報を持つ幾何学的構造を抽出し、人間の知覚と直感的に一致した方法でオブジェクトを保存するアルゴリズムの能力を高める。
種々の幾何学的境界間の関係を規定する空間的制約を同定する。
複数の幾何学的境界が集合的に完全なオブジェクトを定義することを認識し、個々の幾何学的構造だけでなく、画像内のオブジェクトの全体的な形状を保護するために三角形のメッシュを用いる。
複数の画像縫合データセットにまたがる経験的評価により,本手法が画像縫合における新しい最先端ベンチマークを確立することを示す。
私たちの実装とデータセットはhttps://github.com/RussRobin/OBJ-GSPで公開されています。
関連論文リスト
- DeepBranchTracer: A Generally-Applicable Approach to Curvilinear
Structure Reconstruction Using Multi-Feature Learning [12.047523258256088]
本稿では,外部画像の特徴と内部幾何学的特徴の両方を学習し,曲線構造を再構築するDeepBranchTracerを紹介する。
既存のセグメンテーション法や再構成法よりも優れた性能を示すため,2次元データセットと3次元データセットの両方でモデルを広範囲に評価した。
論文 参考訳(メタデータ) (2024-02-02T07:13:07Z) - Learning to Complete Object Shapes for Object-level Mapping in Dynamic
Scenes [30.500198859451434]
本研究では,動的シーンにおけるオブジェクトの分割,追跡,再構築を同時に行うオブジェクトレベルのマッピングシステムを提案する。
さらに、深度入力とカテゴリレベルの前の形状からの再構成を条件にすることで、完全なジオメトリを予測し、完成させることができる。
実世界の合成シーケンスと実世界のシーケンスの両方で定量的に定性的にテストすることで,その有効性を評価する。
論文 参考訳(メタデータ) (2022-08-09T22:56:33Z) - Self-Supervised Image Representation Learning with Geometric Set
Consistency [50.12720780102395]
本稿では,3次元幾何整合性に基づく自己教師付き画像表現学習法を提案する。
具体的には、画像ビュー内の特徴整合性を強化するために、コントラスト学習フレームワークに3次元幾何学的整合性を導入する。
論文 参考訳(メタデータ) (2022-03-29T08:57:33Z) - DONet: Learning Category-Level 6D Object Pose and Size Estimation from
Depth Observation [53.55300278592281]
単一深度画像からカテゴリレベルの6次元オブジェクト・ポースとサイズ推定(COPSE)を提案する。
筆者らのフレームワークは,深度チャネルのみの物体のリッチな幾何学的情報に基づいて推論を行う。
我々のフレームワークは、ラベル付き現実世界の画像を必要とする最先端のアプローチと競合する。
論文 参考訳(メタデータ) (2021-06-27T10:41:50Z) - PanoNet3D: Combining Semantic and Geometric Understanding for LiDARPoint
Cloud Detection [40.907188672454986]
統合型マルチビューフレームワークを用いて,意味的特徴と幾何学的構造の両方を学ぶことを提案する。
意味的特徴と幾何学的特徴を融合することにより,この手法はすべてのカテゴリにおいて最先端のアプローチを大きなマージンで上回っている。
論文 参考訳(メタデータ) (2020-12-17T06:58:34Z) - Continuous Surface Embeddings [76.86259029442624]
我々は、変形可能な対象カテゴリーにおける密接な対応を学習し、表現するタスクに焦点をあてる。
本稿では,高密度対応の新たな学習可能な画像ベース表現を提案する。
提案手法は,人間の身近なポーズ推定のための最先端手法と同等以上の性能を示すことを示す。
論文 参考訳(メタデータ) (2020-11-24T22:52:15Z) - DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape
Generation [98.96086261213578]
DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。
これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。
本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
論文 参考訳(メタデータ) (2020-08-12T17:06:51Z) - UCLID-Net: Single View Reconstruction in Object Space [60.046383053211215]
三次元潜在空間を保存する幾何学的空間の構築は,オブジェクト座標空間における大域的形状規則性と局所的推論を同時に学習する上で有効であることを示す。
ベンチマーク目的でよく使用されるShapeNet合成画像と、我々のアプローチが最先端の画像より優れている実世界の画像の両方を実証する。
論文 参考訳(メタデータ) (2020-06-06T09:15:56Z) - Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from
a Single RGB Image [102.44347847154867]
プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。
我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。
ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
論文 参考訳(メタデータ) (2020-04-02T17:58:05Z)
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。