論文の概要: Alignment of Similarity-Transformed Images Based on Fourier--Mellin Transform Using Auxiliary Function Method
- arxiv url: http://arxiv.org/abs/2608.11565v1
- Date: Wed, 12 Aug 2026 02:12:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.415462
- Title: Alignment of Similarity-Transformed Images Based on Fourier--Mellin Transform Using Auxiliary Function Method
- Title（参考訳）: 補助関数法によるフーリエ・メリン変換に基づく類似度変換画像のアライメント
- Abstract要約: 本稿では,2つの画像間の類似度変換,すなわち変換,スケール,回転をサブピクセル精度で推定するアルゴリズムを提案する。
ランダムな類似度変換を受ける画像対のシミュレーション実験により,提案手法はスケール,回転,変換における推定誤差を低減することを示した。
- 参考スコア（独自算出の注目度）: 2.192057999494216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes an algorithm for estimating the similarity transformation, namely translation, scale, and rotation, between two images with subpixel accuracy. Image registration is a fundamental technique for aligning images acquired under different viewpoints and imaging conditions, and a representative approach based on maximizing discrete cross-correlation is the Fourier--Mellin registration. However, the Fourier--Mellin approach often fails to achieve sufficient alignment accuracy when subpixel-level estimation is required. The proposed method integrates (i) scale-and-rotation estimation from the Fourier magnitude spectrum in a log-polar representation and (ii) maximization of phase-only correlation based on the auxiliary function method. This integration enables a two-stage estimation procedure: it first estimates scale and rotation without being affected by translation, and then estimates translation with subpixel precision in the spatial domain using the corrected image pair. A simulation experiment on image pairs subjected to random similarity transformations demonstrates that the proposed method reduces estimation errors in scale, rotation, and translation compared with Fourier--Mellin-based registration methods using discrete cross-correlation.
- Abstract（参考訳）: 本稿では,2つの画像間の類似度変換,すなわち変換,スケール,回転をサブピクセル精度で推定するアルゴリズムを提案する。
画像登録は、異なる視点と撮像条件下で取得した画像を整列させる基本手法であり、離散的相互相関の最大化に基づく代表的アプローチは、フーリエ-メリン登録である。
提案手法は統合される
(i)対数極表現におけるフーリエ等級スペクトルのスケール・アンド・ローテーション推定
(II)補助関数法に基づく位相限定相関の最大化。
この統合により、まず翻訳の影響を受けずにスケールと回転を推定し、修正された画像対を用いて空間領域のサブピクセル精度で翻訳を推定する。
ランダムな類似度変換を受ける画像対のシミュレーション実験により、離散的相互相関を用いたフーリエ-メリンベース登録法と比較して、提案手法はスケール、回転、翻訳における推定誤差を低減することを示した。
関連論文リスト
- Sub-Pixel Affine Registration of Space Debris Images via the Radon Point Spread Function [8.083475003173758]
フレーム間のアフィンのミスアライメントは、光監視におけるポイントターゲットの多フレーム分析に根本的な課題となる。
我々は、Randon変換領域における点目標を特徴付けるために、RPSF(Radon Point Spread Function)を導入する。
我々は,フレーム間の変換と回転を,フレームペアあたり4つのRPSFサンプルから共同で推定するクローズドフォームフレームワークを考案した。
論文 参考訳（メタデータ） (2026-09-07T01:56:13Z) - Trustworthy MRI Reconstruction via Bayesian Uncertainty Quantification with Sparsity Prior Models [5.452868777437004]
本稿では, 圧縮センシング磁気共鳴画像データから, 共同画像再構成と不確実性定量化のための新しい枠組みを提案する。
この問題は線形逆問題として定式化され、事前分布は未知の画像パラメータに割り当てられる。
本研究では,画像空間勾配に基づく総変分変換とウェーブレット領域変換を用いて,任意のスペーシング変換に適用可能な汎用フレームワークを開発し,その性能を実証する。
論文 参考訳（メタデータ） (2026-06-15T22:44:38Z) - Scale and Rotation Estimation of Similarity-Transformed Images via Cross-Correlation Maximization Based on Auxiliary Function Method [2.192057999494216]
本稿では,2つの画像間のスケールと回転を,サブピクセル精度で共同で推定できる高効率アルゴリズムを提案する。
画像アライメントは、異なる視点から撮影された画像を空間的に登録する重要なプロセスとして機能する。
論文 参考訳（メタデータ） (2025-09-18T03:22:13Z) - Locally Orderless Images for Optimization in Differentiable Rendering [80.09571356394574]
そこで我々は,各画素が局所的な変化を保った強度のヒストグラムにマッピングする,局所的な秩序のない画像を利用する手法を提案する。
合成データと実データの両方を用いて,様々な逆問題に対する本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-03-27T19:17:58Z) - Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。
提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。
提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
論文 参考訳（メタデータ） (2024-08-23T15:02:09Z) - 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) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - Breaking Modality Disparity: Harmonized Representation for Infrared and
Visible Image Registration [66.33746403815283]
シーン適応型赤外線と可視画像の登録を提案する。
我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。
我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
論文 参考訳（メタデータ） (2023-04-12T06:49:56Z) - Rectifying homographies for stereo vision: analytical solution for
minimal distortion [0.0]
整形化は、その後のステレオ対応問題を単純化するために用いられる。
本研究は、視点歪みを最小化する補正ホモグラフに対する閉形式解を提案する。
論文 参考訳（メタデータ） (2022-02-28T22:35:47Z) - Dual-Flow Transformation Network for Deformable Image Registration with
Region Consistency Constraint [95.30864269428808]
現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。
一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。
4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
論文 参考訳（メタデータ） (2021-12-04T05:30:44Z) - Differentiable Annealed Importance Sampling and the Perils of Gradient
Noise [68.44523807580438]
Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。
差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。
我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
論文 参考訳（メタデータ） (2021-07-21T17:10:14Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Virtual Image Correlation uncertainty [0.0]
仮想画像相関法は、サブピクセル精度による境界の測定に適用される。
これは、関心のイメージとパラメタライズドカーブに基づく仮想イメージとの相関から成り立っている。
この方法は1Dでは正確に、局所曲率やコントラスト変動に敏感であり、輝度変動によるバイアスを容易に補正できる。
論文 参考訳（メタデータ） (2020-09-10T07:04:05Z)
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。