### ICCV 2023：Parallax-Tolerant Unsupervised Deep Image Stitching #### 概述 本文介绍了一种新的图像拼接方法——Parallax-Tolerant Unsupervised Deep Image Stitching（UDIS++），该方法针对现有的图像拼接技术在处理大视差图像时遇到的问题进行了改进。UDIS++是一种无监督学习方法，能够在无需人工标记的情况下学习到鲁棒性强、适应性好的图像特征，从而实现高质量的图像拼接效果。 #### 背景与挑战 传统的图像拼接技术通常依赖于几何特征（如点、线、边缘等），这些手工设计的特征对于具备足够几何结构的自然场景表现良好。然而，在纹理较少或视差较大的情况下，传统方法的表现就会受到影响。例如，当面对大量视差时，基于学习的方法可能会模糊视差区域；而在低纹理场景下，传统的基于几何特征的方法则可能因缺乏足够的几何特征而失败。 #### 方法论 为了克服上述问题，研究团队提出了UDIS++，一种能够容忍视差变化的无监督深度图像拼接技术。该技术主要分为以下几个步骤： 1. **灵活的图像配准**：UDIS++通过一种从全局同构变换到局部薄板样条运动的鲁棒且灵活的配准方式来建模图像对齐过程。这种配准方法可以为重叠区域提供精确的对齐，并通过联合优化对齐和失真来保持非重叠区域的形状。 2. **增强的迭代策略**：为了提高模型的泛化能力，UDIS++还设计了一个简单但有效的迭代策略来增强配准适应性，尤其是在跨数据集和跨分辨率的应用中。 3. **消除视差伪影**：UDIS++进一步采取措施来消除视差伪影，确保最终的拼接结果既准确又自然。 #### 实验与验证 研究团队利用了UDIS-D数据集中的两个具体案例来验证UDIS++的有效性和优越性： 1. **大视差案例**：在这个案例中，研究人员展示了UDIS++如何有效地处理具有大视差的图像，相比于之前的方法（例如UDIS），UDIS++不仅没有模糊视差区域，而且还保持了高清晰度和连贯性。 2. **低纹理场景案例**：另一个案例则聚焦于低纹理场景下的图像拼接。与传统方法（如LPC）相比，UDIS++能够在缺乏足够几何特征的情况下成功地完成拼接任务，这得益于其强大的自适应学习能力和对复杂场景的理解。 #### 结论与展望 UDIS++作为一种新的图像拼接技术，不仅克服了现有方法在处理大视差和低纹理场景时的局限性，而且还在提高图像拼接质量方面取得了显著的进步。随着未来对这一领域研究的深入，预计UDIS++将在更多实际应用场景中发挥重要作用，如虚拟现实、自动驾驶等领域。此外，UDIS++的成功也为后续的研究提供了有价值的参考方向，即如何结合深度学习技术和传统几何特征提取方法来解决更广泛的实际问题。

无监督异常检测库 可用算法： 神经网络 神经网络 LOF（以scikit-learn软件包提供） COF INFLO 环形 LOCI 阿罗西 克洛夫 微博 数码相机 CMGOS HBOS 前列腺癌 CMGOS 一类SVM（可在scikit-learn软件包中获得） @作者Iskandar Sitdikov

无监督医学图像分割 刘立豪，当归I阿维莱斯·里维罗和卡罗拉·比比亚恩·舍恩利布。 介绍 在此存储库中，我们提供了的PyTorch实现。 要求 火炬1.5.0 火炬视觉0.4.2 SimpleITK 1.2.4 opencv-python 4.2.0.32 用法 克隆存储库： git clone https://github.com/lihaoliu-cambridge/unsupervised-medical-image-segmentation.git cd unsupervised-medical-image-segmentation 下载LPBA40数据集的图像和分割蒙版： LPBA40图片： LPBA40标签： 将它们解压缩到文件夹datasets/LPBA40 ： datasets/LPBA40/LPBA40_rigidly_registered_pairs data

解开变分自编码器 PyTorch 实现的论文 团队成员： 安德烈亚斯·斯帕诺普洛斯 ( ) Demetrios Konstantinidis ( ) 存储库结构 目录包含我们迄今为止创建的模型。 一路上还会有更多。 python脚本是主要的可执行文件。 目录包含可用于训练和测试的 colab notebook。 在目录中有一个 ，其中详细解释了变分自动编码器的基本数学概念。 在目录中有一些配置文件可用于创建模型。 在目录中有我们通过使用各种配置运行模型得到的结果。 楷模 目前支持两种模型，一个简单的变分自动编码器和一个解开版本 (beta-VAE)。 模型实现可以在目录中找到。 这些模型是使用PyTorch Lightning开发的。 变分自编码器 变分自编码器是一个生成模型。 它的目标是学习数据集的分布，然后从相同的分布中生成新的（看不见的）数据点。 在下图中，我们可

SimCLR-视觉表示形式对比学习的简单框架 消息！ 我们发布了SimCLR的TF2实现（以及TF2中的转换后的检查点），它们位于。 消息！ 新增了用于Colabs，请参见。 SimCLR的插图（来自 ）。 SimCLRv2的预训练模型 我们在这里开源了总共65个经过预训练的模型，与论文的表1中的模型相对应： 深度 宽度 SK 参数（M） 金融时报（1％） FT（10％） FT（100％） 线性评估 监督下 50 1倍 错误的 24 57.9 68.4 76.3 71.7 76.6 50 1倍 真的 35 64.5 72.1 78.7 74.6 78.5 50 2倍 错误的 94 66.3 73.9 79.1 75.6 77.8 50 2倍 真的 140 70.6 77.0 81.3 77.7 79.3 101 1

拟无监督的颜色恒定性 本文所述方法的实现： 西蒙妮·比安科（Simone Bianco），克劳迪奥·库萨诺（Claudio Cusano），“准无监督色彩恒定性”-CVPR 2019 该文件可。 另请参见或尝试。

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第一周所有jupyter notebook文件(包括实验室练习文件)

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第二周所有jupyter notebook文件(包括实验室练习文件)

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第三周所有jupyter notebook文件(包括实验室练习文件)

均值漂移聚类matlab代码使用从卷积自动编码器中学到的功能进行无监督图像分割 通过训练深度卷积自动编码器，已经从图像中学到了一些有用的功能。 我们使用PCA进行了特征变换。 最后，采用均值漂移聚类算法以无监督的方式对图像进行分割。 EDISON分割：基于EDISON工具箱的图像分割 均值漂移马替代方案：Weizmann马数据集下均值漂移聚类的替代试验 Training BSDS500 ：BSDS 500数据集下的培训网络代码 训练马：Weizmann马数据集下的训练网络代码 可视化PCA功能：可视化PCA转换后的功能 替补：计算图像分割的BSDS测试分数 EDISON matlab接口：用于均值漂移聚类的matlab包装器