論文の概要: Decoupled Geometric Parameterization and its Application in Deep Homography Estimation
- arxiv url: http://arxiv.org/abs/2505.16599v1
- Date: Thu, 22 May 2025 12:33:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-23 17:12:48.284202
- Title: Decoupled Geometric Parameterization and its Application in Deep Homography Estimation
- Title（参考訳）: デカップリング幾何パラメータ化と深部ホログラフィー推定への応用
- Authors: Yao Huang, Si-Yuan Cao, Yaqing Ding, Hao Yin, Shibin Xie, Shuting Wang, Zhijun Fang, Jiachun Wang, Shen Cai, Junchi Yan, Shuhan Shen,
- Abstract要約: 8自由度(DOF)を持つ平面ホモグラフィは、多くのコンピュータビジョンタスクにおいて基本的なものである。
本稿では, 相似性-核相似性分解を利用して射影変換を行うホモグラフの幾何学的パラメータ化について述べる。
提案したパラメータ化により,行列乗算による直接ホモグラフィ推定が可能となり,線形系を解く必要がなくなり,より深いホモグラフィ推定における4つのコーナー位置オフセットに匹敵する性能が得られる。
- 参考スコア（独自算出の注目度）: 52.96857897366727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planar homography, with eight degrees of freedom (DOFs), is fundamental in numerous computer vision tasks. While the positional offsets of four corners are widely adopted (especially in neural network predictions), this parameterization lacks geometric interpretability and typically requires solving a linear system to compute the homography matrix. This paper presents a novel geometric parameterization of homographies, leveraging the similarity-kernel-similarity (SKS) decomposition for projective transformations. Two independent sets of four geometric parameters are decoupled: one for a similarity transformation and the other for the kernel transformation. Additionally, the geometric interpretation linearly relating the four kernel transformation parameters to angular offsets is derived. Our proposed parameterization allows for direct homography estimation through matrix multiplication, eliminating the need for solving a linear system, and achieves performance comparable to the four-corner positional offsets in deep homography estimation.
- Abstract（参考訳）: 8自由度(DOF)を持つ平面ホモグラフィは、多くのコンピュータビジョンタスクにおいて基本的なものである。
4つのコーナーの位置オフセットは広く採用されているが(特にニューラルネットワークの予測では)、このパラメータ化は幾何学的解釈性に欠けており、概してホモグラフィ行列を計算するために線形系を解く必要がある。
本稿では、類似性-カーネル-相似性(SKS)分解を射影変換に活用した、ホモグラフの新しい幾何学的パラメータ化を提案する。
4つの幾何学的パラメータからなる2つの独立した集合は分離される: 1つは類似性変換のためのもので、もう1つはカーネル変換のためのものである。
さらに、4つのカーネル変換パラメータを角オフセットに線形に関連付ける幾何学的解釈を導出する。
提案したパラメータ化により,行列乗算による直接ホモグラフィ推定が可能となり,線形系を解く必要がなくなり,より深いホモグラフィ推定における4つのコーナー位置オフセットに匹敵する性能が得られる。
関連論文リスト
- Geometry-Informed Neural Operator Transformer [0.8906214436849201]
この研究はGeometry-Informed Neural Operator Transformer (GINOT)を導入し、任意のジオメトリの前方予測を可能にするために、トランスフォーマーアーキテクチャとニューラルオペレータフレームワークを統合する。
GINOTの性能は複数の挑戦的なデータセットで検証され、複雑で任意の2Dおよび3Dジオメトリに対して高い精度と強力な一般化能力を示す。
論文 参考訳（メタデータ） (2025-04-28T03:39:27Z) - Linear Anchored Gaussian Mixture Model for Location and Width Computations of Objects in Thick Line Shape [1.7205106391379021]
3次元画像グレーレベル表現は、統計分布の有限混合モデルであると考えられている。
入力データとして元の画像を用いた期待最大化アルゴリズム(Algo1)を用いてモデルパラメータを推定する。
修正EMアルゴリズム(Algo2)について詳述する。
論文 参考訳（メタデータ） (2024-04-03T20:05:00Z) - Fast and Interpretable 2D Homography Decomposition:
Similarity-Kernel-Similarity and Affine-Core-Affine Transformations [49.07547885674818]
本稿では,SKSとACA変換という2次元ホモグラフィの分解法について述べる。
プラグインモジュールとして、ACAは従来の機能ベースのRandom Sample Consensus(RANSAC)パイプラインを促進する。
論文 参考訳（メタデータ） (2024-02-28T02:46:06Z) - Gradient-Based Geometry Learning for Fan-Beam CT Reconstruction [7.04200827802994]
ファンビームCT再構成の微分定式化は、取得幾何に拡張される。
概念実証実験として、このアイデアは剛性運動補償に適用される。
アルゴリズムはMSEを35.5%削減し、SSIMを12.6%改善する。
論文 参考訳（メタデータ） (2022-12-05T11:18:52Z) - Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。
提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
論文 参考訳（メタデータ） (2022-05-18T17:11:23Z) - Geometric variational inference [0.0]
変分推論 (VI) またはマルコフ・チェイン・モンテカルロ (MCMC) 技術は点推定を超えて用いられる。
本研究は,リーマン幾何学とフィッシャー情報量に基づく幾何学的変分推論(geoVI)を提案する。
変換によって誘導される座標系で表される分布は、特に単純であり、正確な変分近似を可能にする。
論文 参考訳（メタデータ） (2021-05-21T17:18:50Z) - Calibrated and Partially Calibrated Semi-Generalized Homographies [65.29477277713205]
視点と一般化カメラから半一般化ホモグラフィーを推定するための最初の最小解を提案する。
提案した解法は、多くの合成および実世界の実験で実証されたように安定かつ効率的である。
論文 参考訳（メタデータ） (2021-03-11T08:56:24Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳（メタデータ） (2020-03-11T17:21:15Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳（メタデータ） (2020-03-02T16:40:36Z)
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。