論文の概要: Object-level Geometric Structure Preserving for Natural Image Stitching
- arxiv url: http://arxiv.org/abs/2402.12677v3
- Date: Fri, 9 Aug 2024 13:59:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 20:30:23.693954
- 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 (OBJ-GSP)に基づく画像内のOBJectレベルの全体構造を保護すべく努力している。
三角形メッシュは画像内のオブジェクト全体の形状を保護するために画像変換に使用される。
我々はこれまでで最も包括的な画像縫合ベンチマークであるStitchBenchを提案する。
- 参考スコア(独自算出の注目度): 11.884195814743249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The topic of stitching images with globally natural structures holds paramount significance, with two main goals: alignment and distortion prevention. The existing approaches exhibit the ability to align well, yet fall short in maintaining object structures. In this paper, we endeavour to safeguard the overall OBJect-level structures within images based on Global Similarity Prior (OBJ-GSP), on the basis of good alignment performance. Our approach leverages semantic segmentation models like the family of Segment Anything Model to extract the contours of any objects in a scene. Triangular meshes are employed in image transformation to protect the overall shapes of objects within images. The balance between alignment and distortion prevention is achieved by allowing the object meshes to strike a balance between similarity and projective transformation. We also demonstrate the importance of segmentation in low-altitude aerial image stitching. Additionally, we propose StitchBench, the most comprehensive image stitching benchmark by far. Extensive experimental results demonstrate that OBJ-GSP outperforms existing methods in both alignment and shape preservation. Code and dataset is publicly available at \url{https://github.com/RussRobin/OBJ-GSP}.
- Abstract(参考訳): 世界規模の自然構造で画像を縫い合わせるという話題は、アライメントと歪み防止という2つの主要な目標において、最重要となる。
既存のアプローチは、うまく整合する能力を示しているが、オブジェクト構造を維持するには不足している。
本稿では,優れたアライメント性能に基づいて,グローバル類似性優先(OBJ-GSP)に基づく画像内のOBJectレベル構造全体の保護に努める。
我々のアプローチはシーン内の任意のオブジェクトの輪郭を抽出するためにSegment Anything Modelのファミリーのようなセグメンテーションモデルを活用する。
三角形メッシュは画像内のオブジェクト全体の形状を保護するために画像変換に使用される。
アライメントと歪み防止のバランスは、オブジェクトメッシュが類似性と射影変換のバランスをとることによって達成される。
また,低高度空中画像縫合におけるセグメンテーションの重要性も示した。
さらに,これまでで最も包括的な画像縫合ベンチマークであるStitchBenchを提案する。
OBJ-GSPはアライメントと形状保存の両方において既存の手法よりも優れていた。
コードとデータセットは \url{https://github.com/RussRobin/OBJ-GSP} で公開されている。
関連論文リスト
- Interior Object Geometry via Fitted Frames [18.564031163436553]
本稿では,対象集団内での強い位置対応を実現するために,解剖学的対象を対象とする表現について述べる。
本手法は, 境界面および物体内部に嵌合したフレームを生成し, それらからアライメントフリーな幾何学的特徴を生成する。
論文 参考訳(メタデータ) (2024-07-19T14:38:47Z) - 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) - 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。