全球肠胃病患者已达1.2亿，胶囊内窥镜（MCCE）因其无痛、非侵入性而备受关注。华中科技大学团队提出的自监督S2P-Matching方法显著提升了图像拼接的准确性，助力早期肠胃疾病的诊断。该研究已在IEEE期刊上发表，推动了无创内镜技术的应用。

该研究提出了一种综合的图像拼接流程，利用OpenCV实现高质量全景视图，克服光照、尺度和方向差异。通过无监督深度学习框架，提升了图像对齐和重建精度，展示了在多个数据集上的优越性能。

本文提出了一种新颖的拼接检测框架，具有高准确性和低计算成本，最佳模型准确率达到0.9382。研究介绍了一种基于深度学习的图像拼接定位方法，能够在无相机型号先验知识的情况下定位拼接区域，并在多个数据库上验证了其良好的泛化能力。此外，提出了多种新算法和网络架构，提升了图像拼接检测的性能和鲁棒性。

该研究提出了一种利用OpenCV的图像拼接流程，通过特征匹配、变换估计和融合技术实现高质量全景视图。在多种数据集上测试，发现在场景理解和实际应用方面非常有效。

本文研究了图像拼接中目标被裁剪、遗漏或复制导致的错误，并提出了一种基于目标检测的算法来解决这个问题。该算法可以修改拼接过程中的能量函数，得到更逼真和鲁棒的拼接结果。同时，该方法还可以检测不可恢复的遮挡，并提出了评估图像拼接算法输出结果的简单指标。

本文介绍了一种新的图像拼接方法，使用弹性扭曲和残差学习来解决重叠区域和非重叠区域之间的间断问题。该方法通过预测单应性变换和Thin-plate Spline来实现无间断和无空洞的图像拼接。实验证明该方法具有良好的对齐效果和计算成本。

本文介绍了一种基于深度学习的图像拼接定位方法，无需相机型号先验知识，可在未被篡改的相机标记图像数据库上进行训练。实验结果表明，该方法具有相当的效果和良好的泛化能力。

本文介绍了一种基于深度学习的图像拼接定位方法，可以在不需要相机型号先验知识的情况下定位拼接区域，并在大规模未被篡改的相机标记图像数据库上进行训练。实验结果表明，该方法在现有技术水平上具有相当的效果和泛化能力。