Details

Цель. Создать гибридный конвейер Adaptive-Hybrid Alignment(AHA), обеспечивающий субпиксельную точность и время обработки<40 мс на пару спутниковых кадров. Выполненные задачи 1. Проанализированы классические (SIFT, ORB, ECC) и глубокие (SuperPoint, LoFTR) методы. 2. Сгенерирован датасет из 500 пар 256 ×256 px; «истина» получена sparse→dense-дистилляцией LoFTR. 3. Обучена сиамская сеть StudentNet (MobileNetV2→FC(3)) для прямой регрессии θ,∆x,∆y. 4. Собран четырёхслойный конвейер StudentNet→ORB→LoFTR→ECC с автопереключением по NCC и числу inliers. 5. Реализован прототип (Python, PyTorch, OpenCV) и проведена экспериментальная оценка. Результаты – Средние ошибки на 500 парах: MAEθ = 0.037◦, MAE∆x = 2.26 px, MAE∆y = 2.21 px; время 17 мс (GPU T4). – 92% сцен обрабатываются слоями StudentNet+ORB;  LoFTR нужен лишь в 8 % «трудных» случаев. – Дистилляция знаний позволяет StudentNet давать погрешность ≈2 px, достаточную для субпиксельной доводки ECC. Практическая значимость. AHA готов к интеграции в навигацию БПЛА, геопривязку сцен, стабилизацию видео и медицинскую томографию; код адаптирован для серверов и edge-устройств.

Objective. Design a hybrid pipeline (Adaptive-Hybrid Alignment, AHA) that reaches sub-pixel accuracy under real-time constraints. Tasks 1. Reviewed feature-, intensity- and deep-learning registration methods. 2. Built a synthetic benchmark (500 pairs, 256 ×256 px); ground truth via LoFTR sparse-to-dense distillation. 3. Trained a lightweight siamese CNN (StudentNet) to regress θ,∆x,∆y. 4. Assembled a four-tier pipeline: StudentNet→ORB/RANSAC→LoFTR/RANSAC→ECC. 5. Implemented the prototype (Python 3.9, PyTorch 2.x, OpenCV 4.x) and ran extensive tests. Results – Achieved MAEθ = 0.037◦and MAE∆ = 2.2 px in 17 ms per pair (GPU T4). – StudentNet alone solved 28 % of cases and, with ORB, covered 92 %; LoFTR was required for only 8 % hardest scenes. – The hybrid design merges the speed of key-point methods with transformer-level robustness. Practical value. AHA is ready for UAV navigation, satellite mosaicking, video stabilisation and medical slice stitching; it runs without a high-end GPU.

• СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
• ВВЕДЕНИЕ
• Основы совмещения изображений и классические методы
  • Основные понятия задачи совмещения изображений
  • Классические методы совмещения изображений
  • Преимущества и недостатки существующих методов
• Применение методов искусственного интеллекта в обработке изображений
  • Общие подходы ИИ в обработке изображений
  • Глубокое обучение для совмещения изображений
  • Преимущества и ограничения методов ИИ
• Формальная постановка задачи
  • Исходные данные и цель
  • Подзадачи
  • Ограничения
  • Критерии качества
  • Критерии оценки качества совмещения
• Метод решения
  • Мотивация и общие требования
  • Слои конвейера и их предназначение
  • Логика включения слоёв
  • Факторы, повлиявшие на выбор компонентов
  • Оценка вычислительной состоятельности
  • Ожидаемые количественные характеристики
• Разработка алгоритма
  • Общая схема работы Adaptive-Hybrid Alignment (AHA)
  • Архитектура и обоснование выбора StudentNet
    • Дистилляция с помощью LoFTR и разметка данных
  • Метрики уверенности и процедура refine_ecc
  • Входные и выходные данные системы
    • Блок-схема и архитектурные решения
    • Реализация student_predict и оценка качества
• Результаты работы. проведение экспериментов
  • Экспериментальная методика
  • Покрытие слоёв и сводные метрики
  • Качественные примеры
  • Интерпретация результатов
  • ЗАКЛЮЧЕНИЕ
• Список использованных источников
  • ПРИЛОЖЕНИЕ А