ترجمه فارسی مقاله ConDL: تطبیق تصویر متراکم بدون آشکارساز

چکیده

In this work, we introduce a deep-learning framework designed for estimating dense image correspondences. Our fully convolutional model generates dense feature maps for images, where each pixel is associated with a descriptor that can be matched across multiple images. Unlike previous methods, our model is trained on synthetic data that includes significant distortions, such as perspective changes, illumination variations, shadows, and specular highlights. Utilizing contrastive learning, our feature maps achieve greater invariance to these distortions, enabling robust matching. Notably, our method eliminates the need for a keypoint detector, setting it apart from many existing image-matching techniques.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، ما یک چارچوب یادگیری عمیق را که برای برآورد مکاتبات تصویر متراکم طراحی شده است ، معرفی می کنیم.مدل کاملاً حلقوی ما نقشه های ویژگی متراکم را برای تصاویر ایجاد می کند ، جایی که هر پیکسل با توصیف کننده ای همراه است که می تواند در چندین تصویر مطابقت داشته باشد.بر خلاف روشهای قبلی ، مدل ما بر روی داده های مصنوعی آموزش داده می شود که شامل تحریفات قابل توجهی مانند تغییرات چشم انداز ، تغییرات روشنایی ، سایه ها و نکات برجسته خاص است.با استفاده از یادگیری متضاد ، نقشه های ویژگی های ما به این تحریفات تغییر می کنند و باعث تطبیق قوی می شوند.نکته قابل توجه ، روش ما نیاز به یک ردیاب کلید را از بین می برد و آن را از بسیاری از تکنیک های تطبیق تصویر موجود جدا می کند.