图像拼接:特征点、光流与深度学习方案对比
哪些公司问过
答案要点
- 通用流程:配准估计变换→warp 变形→缝合线选择与融合
- 特征点法:SIFT/ORB 匹配+比值检验+RANSAC 求单应,精度高,弱纹理与重复纹理是短板
- 光流法做稠密像素对齐,适合视频相邻帧小位移,大位移和光照变化下易失败
- 深度学习:SuperPoint、LoFTR 等学习特征在低纹理更鲁棒,端到端方法依赖训练数据
- 近景视差大时单应不成立,用 APAP 等网格局部变形、最优缝合线和多频段融合减少重影
易错点
- 默认单应对任意场景成立,近景平移拍摄会产生重影
- 只用比值检验不做几何校验,重复纹理下误匹配严重
- 融合只做简单平均,曝光差异导致明显接缝
面试官常见追问
- 重复纹理怎么减少误匹配?
- 低纹理场景怎么办?
- 单应矩阵什么时候成立?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。