خسارة الإدراكية لتقدير هوموغرافيا غير مراقبة قوية

يُعد تقدير الهوموغرافيا خطوة ضرورية في العديد من مهام الرؤية الحاسوبية. ومع ذلك، فإن الطرق الحالية ليست قوية أمام التغيرات في الإضاءة و/أو التغيرات الكبيرة في زاوية الرؤية. في هذه الورقة، نقترح خسارة تقدير الهوموغرافيا الضمنية ثنائية الاتجاه (biHomE) لتقدير الهوموغرافيا غير المراقب. تُقلل خسارة biHomE المسافة في فضاء الميزات بين الصورة المشوّهة من زاوية الرؤية المصدرية والصورة المقابلة من زاوية الرؤية الهدفية. وبما أننا نستخدم مُستخرج ميزات مُدرّب مسبقًا ثابتًا، والعنصر القابل للتعلم الوحيد في إطارنا هو شبكة الهوموغرافيا، فإننا نُفكك بشكل فعّال تقدير الهوموغرافيا عن التعلّم التمثيلي. كما نستخدم خطوة إضافية لتشويه صوري في إنشاء مجموعة بيانات COCO الاصطناعية لتمثيل أفضل لتغيرات الإضاءة في السيناريوهات الواقعية. ونُظهر أن biHomE تحقق أداءً متقدمًا على مستوى الحالة (state-of-the-art) في مجموعة بيانات COCO الاصطناعية، وهو أداء مماثل أو أفضل مقارنة بالطرق المراقبة. علاوة على ذلك، تُظهر النتائج التجريبية مقاومة نهجنا للتغيرات في الإضاءة مقارنة بالطرق الحالية.