单应性矩阵在图像拼接、3D重建以及同步定位与建图(Simultaneous Localization and Mapping,SLAM)等方面发挥着重要作用。传统的单应性矩阵估计方法依赖于特征点的提取,基于深度学习的单应性矩阵估计模型可以有效解决该问题。但是,当图...单应性矩阵在图像拼接、3D重建以及同步定位与建图(Simultaneous Localization and Mapping,SLAM)等方面发挥着重要作用。传统的单应性矩阵估计方法依赖于特征点的提取,基于深度学习的单应性矩阵估计模型可以有效解决该问题。但是,当图像不是平面或者仅仅因为旋转、平移放缩而不同时,仅仅依靠一个全局单应性矩阵进行图像拼接会出现重影情况。针对这种情况,笔者提出基于深度学习的多映射无监督单应性矩阵估计模型,通过引入计算机图形学中的网格概念,针对每个网格估计出一个与之对应的局部单应性矩阵,从而适应图像中的不同深度平面。展开更多
文摘单应性矩阵在图像拼接、3D重建以及同步定位与建图(Simultaneous Localization and Mapping,SLAM)等方面发挥着重要作用。传统的单应性矩阵估计方法依赖于特征点的提取,基于深度学习的单应性矩阵估计模型可以有效解决该问题。但是,当图像不是平面或者仅仅因为旋转、平移放缩而不同时,仅仅依靠一个全局单应性矩阵进行图像拼接会出现重影情况。针对这种情况,笔者提出基于深度学习的多映射无监督单应性矩阵估计模型,通过引入计算机图形学中的网格概念,针对每个网格估计出一个与之对应的局部单应性矩阵,从而适应图像中的不同深度平面。