基於遞迴相似性匹配的穩健單應性矩陣估計

Abstract

在電腦視覺領域中，單應性矩陣估計是一種基礎的圖像對齊演算法。有賴於深度特徵，近年來基於深度學習的單應性矩陣估計得以在許多困難的情境中取得比以往更好的成果。然而，這些基於深度學習的方法同時也失去了一些性質，例如具有等變性的特徵以及異常值檢測的能力。而失去這些性質會使得對齊影像的表現變差，尤其是對於那些有前景物件的影像。在這篇論文中，我們針對單應性矩陣估計提出了一個具有旋轉等變特徵以及異常值檢測的深度學習架構。我們設計的架構會利用旋轉等變特徵建構出多個代表各角度的四維代價容量，並且在遞迴的架構中加入自適應力機制，利用關係一致性學習如何忽略前景物體。實驗結果證明我們的架構可以準確的估算單應性矩陣，並且對於有前景物件的場景具有更好的魯棒性。