Implicit Neural Image Stitching With Enhanced and Blended Feature Reconstruction

要約

画像ステッチング用の既存のフレームワークは、多くの場合、視覚的に合理的なステッチングを提供します。
しかし、それらは、ぼやけたアーティファクトや、照明、深さレベルなどの不一致に悩まされています。最近の学習ベースのスティッチングはそのような不一致を緩和しますが、必要な方法では、スティッチングされた画像の高周波の詳細をキャプチャできない画質を犠牲にする必要があります。
この問題に対処するために、任意スケールの超解像度を拡張する新しいアプローチである暗黙的ニューラル イメージ スティッチング (NIS) を提案します。
私たちの方法では、品質を向上させるワープのために画像のフーリエ係数を推定します。
次に、提案されたモデルは、潜在空間内の色の不一致と位置ずれをブレンドし、その特徴をステッチされた画像の RGB 値にデコードします。
私たちの実験は、私たちのアプローチが、有利な加速画像強化方法を使用して、以前のディープ画像ステッチングの低解像度イメージングの解像度の向上を達成することを示しています。
私たちのソースコードは https://github.com/minshu-kim/NIS で入手できます。

要約(オリジナル)

Existing frameworks for image stitching often provide visually reasonable stitchings. However, they suffer from blurry artifacts and disparities in illumination, depth level, etc. Although the recent learning-based stitchings relax such disparities, the required methods impose sacrifice of image qualities failing to capture high-frequency details for stitched images. To address the problem, we propose a novel approach, implicit Neural Image Stitching (NIS) that extends arbitrary-scale super-resolution. Our method estimates Fourier coefficients of images for quality-enhancing warps. Then, the suggested model blends color mismatches and misalignment in the latent space and decodes the features into RGB values of stitched images. Our experiments show that our approach achieves improvement in resolving the low-definition imaging of the previous deep image stitching with favorable accelerated image-enhancing methods. Our source code is available at https://github.com/minshu-kim/NIS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google