User: Guest  Login
Original title:
Efficient Algorithms for Large-Scale Correspondence Problems in Computer Vision 
Translated title:
Effiziente Algorithmen für große Korrespondenzprobleme im maschinellen Sehen 
Year:
2019 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
Cremers, Daniel (Prof. Dr.) 
Referee:
Cremers, Daniel (Prof. Dr.); Goldlücke, Bastian (Prof. Dr.) 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik 
TUM classification:
DAT 760d; DAT 770d 
Abstract:
In this thesis, we investigate the problems of dense optical flow and disparity estimation, camera trajectory estimation from a sequence of brightness and depth images, and geometry and texture estimation from a sequence of RGB-D images. Our focus lies on dense methods, taking into account all the information contained in the images. Unlike previous methods and by using efficient algorithms and data structures, we are able to recover fine details, while still correlating all the given data. 
Translated abstract:
In dieser Arbeit betrachten wir die Probleme der Schätzung dichten optischen Flusses, der Schätzung der Kamerabewegung auf Sequenzen von Tiefen- und Helligkeitsbildern, und der Rekonstruktion von Geometrie und Textur an Hand von RGB-D Bildern. Wir betrachten dichte Methoden, mit denen wir es im Gegensatz zu früheren Methoden durch effiziente Algorithmen und Datenstrukturen schaffen, feine Details zu rekonstruieren, und dennoch alle in den Eingabedaten vorhandenen Informationen zu verwerten. 
Oral examination:
14.01.2019 
File size:
52679464 bytes 
Pages:
144 
Last change:
15.03.2019