【图像拼接/视频拼接】论文精读：Eliminating Warping Shakes for Unsupervised Online Video Stitching（StabStitch）

相关文章

• 【图像拼接】源码精读：Single-Perspective Warps in Natural Image Stitching（SPW）

  第一次来请先看这篇文章：【图像拼接（Image Stitching）】关于【图像拼接论文源码精读】专栏的相关说明，包含专栏内文章结构说明、源码阅读顺序、培养代码能力、如何创新等（不定期更新） 【源码精读】As-Projective-As-Possible Image Stitching with Moving DLT（APAP）第一部分：全局

  2024年01月23日

  浏览(27)
• 

  【论文阅读】视频理解系列论文精读

  视频理解论文串讲（上）【论文精读】 我们研究了多种扩展CNN在时域上的连接性的方法，以利用局部的时空信息，并建议采用多分辨率、凹陷的架构作为加速训练的一种有希望的方式。 在图像领域积极成果的鼓舞下，我们研究了CNN在大规模视频分类中的表现，在这种情况下

  2023年04月09日

  浏览(28)
• 

  【图像超分辨率重建】——GRL论文精读笔记

  作者： Yawei Li1 Yuchen Fan2 Xiaoyu Xiang2 Denis Demandolx2 Rakesh Ranjan2 Radu Timofte1;3 Luc Van Gool1;4 期刊： CVPR 引用： * 摘要： 本文的目的是提出一种机制，在全局、区域和局部范围内有效和明确地建立图像层次模型，用于图像修复。为了实现这一目标，我们首先分析了自然图像的两个重要

  2024年02月09日

  浏览(40)
• 

  【图像超分辨率重建】——HAT论文精读笔记

  作者： Xiangyu Chen, Xintao Wang, Jiantao Zhou, and Chao Dong 期刊： 引用： 摘要： 基于 Transformer 的方法在图像超分辨率等低级视觉任务中表现出令人印象深刻的性能。然而，我们发现这些网络只能通过归因分析利用有限空间范围的输入信息。这意味着 Transformer 的潜力在现有网络中仍未

  2024年02月08日

  浏览(47)
• 

  51-15 视频理解串讲—TimeSformer论文精读

  今天读的论文题目是Is Space-Time Attention All You Need for Video Understanding? Facebook AI提出了一种称为TimeSformer视频理解的新架构，这个架构完全基于transformer，不使用卷积层。它通过分别对视频的时间和空间维度应用自注意力机制，有效地捕捉动作的时空特征。自transformer提出以来，在

  2024年01月24日

  浏览(26)
• 

  [论文精读] 自条件图像生成 - 【恺明大神新作，AIGC 新基准】

  论文导读: 论文背景: 2023年8月，AI大神何恺明在个人网站宣布，2024年将加入MIT担任教职，回归学术界。这篇论文是其官宣加盟MIT后首度与MIT师生合著的公开论文，论文一作本科毕业于清华姚班，二作为MIT电气工程与计算机科学系教授，今年的斯隆奖得主，美国科学院院士。

  2024年02月03日

  浏览(31)
• 

  [论文精读] 使用扩散模型生成真实感视频 - 【李飞飞团队新作，文生视频 新基准】

  论文导读: 论文背景:2023年12月11日，AI科学家李飞飞团队与谷歌合作，推出了视频生成模型W.A.L.T（Window Attention Latent Transformer）——一个在共享潜在空间中训练图像和视频生成的、基于Transformer架构的扩散模型。李飞飞是华裔女科学家、世界顶尖的AI专家，现为美国国家工程院

  2024年02月03日

  浏览(38)
• 

  51-17 视频理解串讲— MViT，Multiscale Vision Transformer 论文精读

  继TimeSformer模型之后，咱们再介绍两篇来自Facebook AI的论文，即Multiscale Vision Transformers以及改进版MViTv2: Improved Multiscale Vision Transformers for Classification and Detection。 本文由深圳季连科技有限公司AIgraphX自动驾驶大模型团队编辑。如有错误，欢迎在评论区指正。由于本司大模型组最

  2024年02月19日

  浏览(37)
• 

  Text to image论文精读GigaGAN: 生成对抗网络仍然是文本生成图像的可行选择

  GigaGAN是Adobe和卡内基梅隆大学学者们提出的一种新的GAN架构，作者设计了一种新的GAN架构，推理速度、合成高分辨率、扩展性都极其有优势，其证明GAN仍然是文本生成图像的可行选择之一。 文章链接：https://arxiv.org/abs/2303.05511 项目地址：https://mingukkang.github.io/GigaGAN/ 最近，文

  2023年04月09日

  浏览(41)
• 

  图像处理之《用于统一源跟踪和深度伪造检测的深度可分离水印SepMark》论文精读

  一、文章摘要 恶意的Deepfakes导致了一场关于区分真脸和伪造脸的激烈冲突。尽管已经制定了许多事后检测Deepfakes的对策，但毫无疑问，在可预见的操作之前，被动取证没有考虑对原始人脸采取任何预防措施。为了完成这个取证生态系统，我们提出了名为SepMark的主动式解决方

  2024年01月23日

  浏览(49)