1樓：錦恢
樓上的朋友回答得很好了，我於此從定義和公式的角度出發來講一下。
答案是：取決於時間維度上影象梯度的計算方法，也就是光流法中 的計算方法。
假設 的計算方法關於時間是對稱的且光流法滿足空間一致性，那麼 到 的光流 和 到 的光流 滿足：
下面我就貼一下我在影象處理這門課上做的presentation的截圖，之前剛好做的稀疏光流法首先我們看一下光流的定義：
所以，在上圖中，各個幀的光流可以用下圖中橘黃色的箭頭表示（笑臉代表我在上一幀所處的位置）
那麼如果將這個過程倒過來，很明顯，如果我們的笑臉所在的位置不變，箭頭都會朝反方向。也就是光流方向取反。
想用數學公式推導顯得異常簡單。此處拿最簡單的Lucas-Kaneda演算法作為例子。此處就不給具體推導了，網上很多。
假設我們的光流為 ，那麼Lucas-Kaneda演算法本質就是在求解乙個線性方程組：
我們記 下上述的線性方程為 ， 下上述的線性方程為 。
根據Lucas-Kaneda的空間一致性假設，可以認為 的梯度和 的梯度近似相同，也就是可以認為 ；假設我們計算 只在 和 中計算，那麼很明顯 ，所以我們有：
這下很明顯了，在 列滿秩（角點區域）時，。
最後貼一下整個Lucas-Kaneda的計算流程：
如何用CNN確定兩張影象是否配對？
通過你的提問，你想表達的應該是如何設定這個模型二不僅是CNN。這個工作可以按照以下思路來開展 1 確定任務目標。從你的描述，可以有兩種處理方法 1 將這個任務視為乙個回歸任務，任務目標就是 通過輸入AB影象對，判斷AB之間聯絡的概率 或者說得病概率 目標值越接近於1說明二者聯絡越大，越接近於0說明聯...
關於計算兩張影象相似度,用深度學習去做,有什麼好的方法與建議
George 隨著自己的成長，之前一些模糊的知識和概念，逐漸的正式進入自己的研究內容，自己回答一下，其實影象相似度計算一直是視覺領域很經典的問題，最符合的情景是slam的回環檢測，常用的影象相似度計算方法有DBOW，現在深度學習階段有netvlad，關於距離計算標準還是常用的那些，歐式或者余弦相似度...
使用兩張角度不同的靜態影象合成連貫的動畫，難度有多大？
李滔 這是structure from motion的問題，提供乙個 的開源庫 libmv a structure from motion library 由於無法到達相關鏈結所以我的闡述角度只能從我自己淺薄的知識闡述從兩張圖結合我們常規性的大概可以測出它的相對空間關係或者不測也無所謂在後期軟體中可...