基于卷积神经网络的图像编辑传播

对于单幅图像进行编辑传播的问题,引入组合卷积来代替传统的卷积,用以提取更加有效的特征。组合卷积由可变形卷积和可分离卷积组成,通过这个结构可以增强模型的泛化能力,并且减少模型的参数量和卷积的操作数。同时引入对错分的背景类进行加权的有偏损失函数,以防止与背景类相似度较高的像素点被误着色而造成颜色溢出。实验结果表明:使用组合卷积和有偏损失函数构建的双分支的卷积神经网络模型,可以实现单幅图像的有效上色,并且能够改善颜色溢出的情况。     

基于灭点优化的单幅图像三维重建

单幅图像的三维重建避免了基于多幅图像重建的特征匹配的问题,是三维重建研究领域的一个热点。通过对单幅未标定图像进行三维重建,灭点的精度十分重要。提出一种利用直线的参数信息的灭点检测算法得到有效的直线,优化了灭点。首先对图像进行处理,提取出图像中的长直线,分析直线特征,对不同方向的直线进行分组,再根据各方向的直线满足线性分布关系,利用改进的回归算法获取直线参数的线性模型,剔除误差直线,再利用最小二乘法解算灭点。得到精确灭点后,根据灭点的性质获得摄像机的内外参数。交互获得最少的图像二维点,通过计算求得的摄像机内外参数和物体本身的几何特征计算相应的三维坐标,最后进行目标物体的三维重建。此方法有效剔除了无效直线的干扰,提高了灭点精度,以包装盒为例,重建了三维模型并且误差控制在2.5%以内,符合三维重建精度要求。