基于深度学习的图像拼接研究综述.docVIP

基于深度学习的图像拼接研究综述

一、图像拼接技术基础与传统方法局限

图像拼接的核心目标是将多张存在重叠区域的同场景图像，通过空间对齐、融合等操作，生成一张视场更宽、信息更完整的高分辨率全景图像，该技术在无人机测绘、自动驾驶环境感知、虚拟现实内容生成、医疗影像分析等领域具有不可替代的应用价值。传统图像拼接流程主要分为图像特征提取与匹配、单应性矩阵估计、图像变换、图像融合四个核心步骤，其中特征提取阶段多采用SIFT、SURF、ORB等手工设计的特征算子，依赖人工设定的梯度、角点等底层视觉规则实现特征点检测。

这类传统方法在光照均匀、重叠区域纹理丰富、视角差异较小的场景下能够获得稳定的拼接效果，但存在明显的性能瓶颈：一是面对低纹理区域（如天空、纯色墙面）、重复纹理场景（如建筑群、地砖）时，手工特征容易出现大量误匹配，导致单应性矩阵估计误差，最终拼接结果出现重影、错位问题；二是当输入图像存在视差、运动物体、曝光差异时，传统全局单应性变换假设“场景为平面、相机纯旋转运动”的前提不再成立，无法对非平面区域的局部形变进行适配，容易产生伪影和几何失真；三是特征匹配和参数优化过程计算复杂度较高，难以满足实时性要求高的端侧应用场景。这些局限也成为深度学习技术引入图像拼接领域的核心驱动力。

二、基于深度学习的图像拼接技术发展脉络

深度学习在图像拼接领域的应用最早可追溯到2016年前后，初期研究主要聚焦于