游客 您好，欢迎进入新浪地产网！
破解财富缩水，环京区域置业拼价格还是拼价值
　　负利率时代，拿什么捍卫你正在缩水的财富　　近期受美元阶段性走强，人民币兑美元持续贬值。8月22日，人民币兑美元中间价下调441点，报6.6652元，创6月27日以来最大降幅。如果你有1000万，一夜之间就损失了一辆宝马。如果你和我一样，只有100块，可能早餐就没有了！　　　　实际上，自2014年初，人民币就开启了贬值大趋势。今年年初至今，人民币年化汇率，已经贬值逾10%！也就是说如果你在银行存有1000万人民币，在短短一年不到的时间内，你已经白白蒸发掉100万！　　如果今年按这样贬值速度下去，到年底1000万至少就要“蒸发”掉接近200万！不得不说，最大的一种风险就是：你什么都没做，却损失了一套房子、一辆宝马！　　物价指数快速攀升，银行存款悄悄缩水，&负利率时代，咱老百姓如何捍卫自我的财富？　　楼市宣战：拒绝财富缩水，挑战即是机遇　　对此，不少资深理财表示，防止人民币贬值应对通货膨胀，最好的办法，自然就是把放在银行里的钱花出去，转变成固定资产；房子是保值性最强，增值最稳健的投资理财。　　十年前你选择把钱存入银行，你的钱一直在贬值。如果你选择的是买房，2006年买入价280万，2016年卖出价2600万。　　十年涨2320万，一年涨232万，一月涨19.3万，一天涨6352元，一小时涨264元，平均每分钟涨4.4元，这就是的价值所在。　　另外，与资本类投资相比，房产不仅具有增值性，且多年来一直持续的看涨态势，让房产投资拥有了更好的预期。当前，即使人民币贬值，房地产行业仍然是国家经济发展的重要支柱，是无冕之王。　　　　买房价格不是唯一，价值才是必须　　2016年上半年房地产出现种种利好消息，北京作为首都，下半年呈现出量降价升的态势，一方面是因为优质资产稀缺，热钱涌入带动房价上扬，另一方面北京面临政策性调整，致使置业需求外溢，从而转向另一楼市投资热度集中地——环京楼市。　　环京楼市出现一片火热现象，房价也是节节高升，为此不少人大呼“买不起房”，似乎房价决定着楼市的一切，同时也左右着购房者的选择。　　房价固然有影响，不少人也确实因房价而改变自己的买房决定，但房价绝不是用来衡量楼市和影响购房者决定的唯一因素，说到底，房价只是一串数字，最重要的是房屋本身的价值。举个很简单的例子，一套100万的房子你买之前会觉得很贵，但是因为其品质好，价值属性更高，买之后的价格迅速涨到200万，你还会觉得当初买贵了吗？你只会觉得买值了。　　房产作为能长久使用的消费品，一套有价值的房子是不能用价格来衡量的，因为其有巨大的升值潜力，它所带来的能比你付出的更多；尤其是占据稀贵地脉资源的置业臻品，凭借其独有的稀缺性，则增值水平更为凸显。　　　　英国宫新品重磅推出，超级宜居小镇升级力作　　随着新机场的开工建设和京津冀一体化的协同发展，固安，雄踞北京新机场黄金十公里地带，参照世界级空港城市群的构成，与北京三元桥具有同等的区位优势。目前，凭借其优越的中心位置、便捷的交通，以及扼守新国门商圈的优势，即将成为政治、金融、商业资源的汇聚地，成为新国门稀缺黄段。　　永定河孔雀城英国宫，不仅占据固安核心区的绝佳位置，且尽享一城优质资源，自2010年入市以来，致力于品牌打造，6年良好口碑，为近7万家庭提供理想居所，在环北京树立了首席标杆地位。　　　　永定河孔雀城英国宫·观礼80-120㎡阔景新品重磅新推，历经13年品牌实力，筑就超级宜居小镇的全新升级标杆力作，择址新空港政经大道，扼守寸土寸金核心地脉，咫尺新机场。同时，拥有区域内难得一见海量绿化，60万平礼湖公园、郦湖公园、城市休闲生态公园等近身环伺，富氧生活，给远离尘嚣一份自然的健康保障。　　　　项目采用现代和新古典主义相结合的手法，简洁大气，80-120㎡阔景臻品，宽敞客厅、阔绰卧室、餐厅、厨房等细节均精心排布，合理布局完美生活起居，尊崇空间朗阔奢适，谨献城市精英。　　永定河孔雀城英国宫·观礼，是空港中心集成熟度、宜居度、资源密集于一身的高端住宅。代表着城市建筑的高度，彰显着居者的尊贵地位和身份。塔尖精英居住于此，坐享宝德购物中心、固安一中、固安县人民医院等全方位多层级高端配套，在满足一应生活所需的同时，高端品质住区也将成为跻身国际圈层的通识名片，拉近与世界的距离。
关键词：&&
市场动态相关的智库下载
市场动态相关的社区论坛
我要说两句
您好，请登录后进行评论。点击
文明上网，登录评论，所有评论仅代表网友意见，新浪地产保持中立。关于“为合作伙伴创造价值”米拓信息认为客户、供应商、公司股东、公司员工等一切和自身有合作关系的单位和个人都是自己的合作伙伴，并只有通过努力为合作伙伴创造价值，才能体现自身的价值并获得发展和成功。&关于“诚实、宽容、创新、服务”米拓信息认为诚信是一切合作的基础，宽容是解决问题的前提，创新是发展事业的利器，服务是创造价值的根本。&
相关描述文字，相关描述文字，相关描述文字，相关描述文字，相关..
相关描述文字，相关描述文字，相关描述文字，相关描述文字，相关..拼颜值内容也拼平台方式，网红还有没有投资价值？ @广告门
拼颜值内容也拼平台方式，网红还有没有投资价值？
从个人魅力到网红现象再到现在的经济产业发展，网红群体在2016年的电商、直播和短视频的驱使下搭着顺风车把他们送到了大众面前。新浪微博数据中心最近发布的《2016年网红生态白皮书》中回顾了从97年开始的小众到大众的发展历程。
1、网红的商业价值引发资本关注。
网红，即网络红人，原来是指因某个或一系列事件及行为而在互联网上迅速受到关注而走红的人，目前泛指通过社交平台走红并聚焦大量粉丝的红人。
随着技术与市场的升级，网红已经从现象逐渐转型成为一种经济产业。通过网络走红，通过网络线上实现变现成为一个鲜明特征。2016年，以短视频、直播与电商为主要趋势的网红经济产业正在受到投资者前所未有的关注。
2、网红从现象化向产业化升级
-1997年（匿名社区）
代表人物：安妮宝贝、南派三叔等
网红平台：BBS社区、论坛等
网红特征：以文取胜
-2004年（草根红人）
代表人物：芙蓉姐姐、奶茶妹妹等
网红平台：论坛、贴吧等
网红特征：草根涌现，推手助力，图文见长
-2010年（段子手）
代表人物：留几手、王尼玛等
网红平台：微博、微信等
网红特征：粉丝积淀，团队营销，内容多元
-2016年（网红）
代表人物：Papi酱、张大奕等
网红平台：微博、微信等
网红特征：内容IP、产业化、视频/电商/直播的发展动向
3、网红是互联网迎合当代大众文化需求的产物
网红流行的背景原因：
技术驱动：移动互联网发展，社交网络变迁，网络平台功能的优化与完善。
大众需求：内容消费观的转变，对娱乐化内容的迫切需求，以及虚拟社区亚文化语境下的价值认同。
商业驱动：自媒体兴趣从草根崛起到大浪淘沙，用户粉丝沉淀；商业化、组织化运作对于传播的积极作用凸显。
社会氛围：现代性语境下的&娱乐至死&、内容碎片化、快餐式消费、去中心化、人格化特质凸显。
4、视频、直播与电商是当前网红发展的主要趋势。
当前网红的主要特征：大体上，拼颜值、拼内容、拼团队、拼制作成为当前网红竞争的主要内容。
当前网红发展的三大主要趋势：
视频技术的升级进一步丰富传统以图文为主的网红内容方式，并形成极强的内容IP价值。
秀场、直播平台的推广，以及社交网络平台对直播的引入，使以往颇具亚文化色彩的直播生态逐渐向主流文化融合。
电商与社交网络融合形式的多元化，网红根据自己内容消费积累的粉丝，售卖对应匹配的消费产品。
5、资本涌入助推网红产业链条不断完善
网红的商业价值在近两年逐渐为投资者所注意。2015年底以来，不少投资人开始试水网红经济，在网红产业链条各环节寻找投资机会。资本的介入有助于推动网红经济在产业化道路上更加成熟与完善。
1、产业化协作提升网红品牌价值
网红从现象成长为满足大量需求的经济产业链条，要求产业内部的社会分工不断细分。
内容制作专业化：明确的社会分工模式，例如网红孵化器、网红经济、IP制作方法等。
平台战略化合作：奢华与平台的战略合作关系，例如微博、微信等多平台运营。
多元化的变现模式：广告代言、电商导流、打赏获赠、经济培训以及其他一些变现渠道。
2、网红内容生产向专业化升级
以往的粗放型网红生态中，具有组织化、专业化和商业化的团队脱颖而出。
市场需求催生网红生态更为细化的社会分工，以孵化、运营为主的网红孵化器、网红经济与以从事内容制作为主的IP制作方应运而生。
3、媒介传播是网红经济产业中的重要环节
精良的内容制作以及专业的运营模式是网红生产过程中的重要环节，寻求好的平台进行合作，是网红内容成为&真网红&的重中之重，通过微博、微信为主的社交传播平台触达更大规模用户成为核心。
4、微博为网红升级成IP提供全方位支撑
整体来看，微博在网红变现中所承担的作用，主要是作为传播平台，网红在微博上拥有千万级的粉丝，进而实现品牌与IP的增值。换言之，公开传播是网红变现最重要的前提，没有之一。
1、网红全面融入微博内容生态
新浪微博数据中心联合艾瑞咨询，抽样出36000余个具备网红特征的账号，对其进行人群属性的数据分析，进一步从数据的视角对网红进行分析和盘点。抽样结果表明：在微博平台，网红能够产生较大的数据声量。
2、微博网红用户画像
3、微博网红用户粉丝实现快速增长。
2014年以来，微博网红用户粉丝实现快速增长。最新数据统计，截止到2016年5月，微博网红用户的粉丝规模已经达到3.85亿。
4、&短视频+社交&已是连接网红与粉丝的重要媒介
视频已经成为微博用户重要的内容消费形式；短视频的可视性充分满足大众用户碎片化消费习惯；&短视频+社交&已是连接网红与粉丝的重要媒介。
5、微博是网红达人店铺的主要导流平台
电商网红能够借助微博导入的流量，实现快速变现。目前活跃电商网红主要集中在服装、美妆、护肤品等，提供旅游等非实物类服务的网红群体也在迅速崛起。电商网红在本质上是在售卖&消费得起的生活方式&，商品质量与客户服务是可持续发展的关键。
1、目前网红经济仍具有较大的投资价值。
就目前而言，网红经济仍处于上升期。一方面，网红的生产门槛、内容成本还比较低，平台孵化还不够成熟，市场管理还不够到位。另一方面，网络中又着实涌现出不少颇受关注的网红，且在变现模式上也取得较大的成功。可以预期，在一段时间内，网红经济还处于快速上升阶段，具有较大的商业价值。
2、网红经济将从泛娱乐逐渐向垂直领域纵深。
从目前的情况来看，网红经济正在慢慢从泛娱乐化向垂直领域纵深，垂直领域通过更专业化的内容IP生产，将会迭代产生一批高商业价值的网红，垂直化的网红具有更强的变现能力。
3、网红经济必然面临资源与平台领域的重新整合。
网红经济还处于持续上升期，有关网红的PGC、工作室等相关机构有可能在资本的介入下，出现&野蛮生长&。
网红经济的蛋糕越做越大：目前网红经济还处于上升期，各类网红相关机构、公司以及平台都处于快速扩张阶段。
网红资源的竞争与整合：资本干预与成本收益将很有可能推动网红经济中对网红资源与内容的竞争。
内容投放平台的集中：直播、视频以及电商形式将逐渐向以微博为代表的综合性平台、以具有亚文化属性的特色性用户规模平台集约。
1 - 99999K
本周新增职位数：66个
☆ 全国招聘服务，请致电 010-
合作请咨询邮箱：
请输入您的反馈意见，我们将为您不断改进...
还没有账号？
第三方登录
已有账号？
无法找回？
无法找回？
已有账号？
信息已提交:
我们会在1-3个工作日内审核完毕，并用邮件通知您，请耐心等待，谢谢从拼价格到拼价值_经营管理_财经纵横_新浪网
从拼价格到拼价值
.cn 日&17:47 《中外管理》
　　高建华
　　从成功到成熟系列之七
　　纺织品受限，谁之过？
　　重复建设、恶性竞争、价格战、广告战……似乎已经成为中国市场上的“正常现象”。任何一个行业，任何一个市场，只要消费者需求比较旺盛，就会引来无数企业“扎堆儿”，出现“千军万马挤独木桥”的局面。
　　但是，只要这种跟风式的经营模式不改变，中小企业就没有希望。可以说，这个问题在中国比世界上任何一个国家都严重得多，因为大多数中国企业并不真正理解什么叫市场经济，更不理解什么叫市场营销，完全是在“本能”的驱使下去经营一个企业。又因为价格战的竞争，到头来企业活得都很艰难。
　　难道就没有办法解决这个问题吗？办法当然有，只要中小企业能改变落后的经营理念，按照市场经济和市场营销的游戏规则出牌，就能从根本上解决这些问题。当然，如果企业不愿意动脑子，认为那很累，就愿意停留在“世界工厂”阶段，让别人去挣大钱(比如90%的利润)，自己挣点儿喝粥钱，那就另当别论了。这时，我们就不能怪“别人”，因为是我们自己不愿意掌握自己的命运。最近出现的贸易摩擦，也证明了我们这个结论。企业不能总指望政府出面去协调，而要把命运掌握在自己手上，通过差异化的产品去化解难题，从拼价格到拼价值，找到解决问题的“根本解”。
　　下面我们从几个不同的角度来探讨一下如何才能走出价格战的怪圈，进入良性循环的阶段。
　　选择什么样的市场定位？
　　首先，中小企业不能看到市场上畅销什么就去做什么，必须有自己的独到见解和经营理念。因为实力有限，中小企业无法与大企业在规模经济效益上抗衡，没有任何成本优势。所以要按照“市场细分”的基本原则，去寻找到目前为止还没有主导品牌的“市场空白地”，以差异化的产品去求生存，尽量避免与大企业的正面冲突。
　　正如前文我们说过，任何一个行业都可以分成主流市场、次主流市场、非主流市场。主流市场就是量大面广，产品基本上没有什么差异，靠低成本去生存。次主流市场是针对那些对“大路货”不满意的客户群体。群体比主流市场小得多，但是它的利润率却比主流市场高得多。而非主流市场是那些对次主流市场产品也不满意，需要“极优、极特、极专”产品的群体，这个市场通常需要靠垄断某种资源，适当控制市场需求来生存。可以说，除了主流市场以外，其它两个市场都不会出现大面积的重复建设而恶性竞争，因此也就没有价格战的问题。
　　创造什么样的外延增值？
　　其次，中小企业不能停留在“世界工厂”的阶段，没有远虑，必有近忧。只有在目标消费者心目中价值高的产品，才能始终卖出好价钱，这是再简单不过的硬道理。那么产品的价值高低主要体现在哪些方面呢？是否有一个统一、客观的标准来评价一个产品的价值呢？
　　一个广义产品的价格凭什么高？消费者为什么明知道贵还买？如果从完整产品的角度来分析这个问题，一个产品价格高可以是核心产品有优势，也可以是外围或外延产品的增值。通常情况下价值高20%，价格就可能高50%，这是很多企业并不理解、并不接受的一个说法。那么这种说法有道理吗？我们就从身边一些实际的案例来分析一下。
　　在很多行业价格战愈演愈烈的年代，一些反其道而行之的企业脱颖而出，很多优质优价的产品开始在消费者心目中产生影响，占据一定地位，而且势头很好，像：7元钱左右一斤的高档品牌鸡蛋、全公务舱旅行、五星级酒店旅游、高档豪华汽车、豪华手机等等。是不是真像大多数人认为的那样，消费这些产品的人都是那些缺心眼儿的大款傻瓜？其实不然，如果某产品在目标消费者看来其核心产品有差异化优势，人们就乐于为了这个优势去付出更高的代价。总的说来，次主流市场与主流市场的消费心理有巨大的差异，绝不能一概而论。
　　在北京有这样一些开玩笑的说法，号称京城“几大傻”，其中一大傻是：购物在燕莎。如果这句话有道理，那为什么有那么多的傻子去燕莎购物呢？其实我们要看是谁这么认为，他/她属于哪个层次的消费者，是从什么角度去看问题。如果你理解了客户分层的概念和完整产品的概念，就会明白富裕阶层为什么买贵的产品，为什么要到高档商场去购物。因为他们能认识到服务的价值，即外围产品的价值。“购物是享受”是燕莎的口号，也是它努力营造的一个环境。因为它清楚：对于富裕人士以及高端中产阶层来说，购物不仅仅是买东西，就像人们花钱听现场音乐会，看现场体育比赛一样，那是享受，消遣，娱乐，有谁说花上千元去看表演、看比赛是傻子？越是在核心产品差异较小的行业和领域，服务的价值就会越来越多地体现出来，就越重要。
　　中产阶层买贵的产品，通常有几个原因：一是拥有成本低，买着贵，用着便宜。比如：一双名牌皮鞋，价格3000元，但是可以穿3年，而且依然有品位，有档次，有面子。二是服务好，人们愿意多花一些钱来得到优质的服务，能让产品发挥最大的效用。三是价格偏高的产品通常具备标签效应，是身份、地位、品位、爱好和个性的象征。如果消费某一个品牌“等于什么”能在消费者当中形成身份共识，就很容易打动愿意成为这一类人的消费者。比如：万宝龙的笔就是一个成功案例。本人在十多年前第一次得到万宝龙笔时的那种兴奋感觉至今仍记忆犹新。可以说，标签效应是在外延产品层次上竞争的一个选择。
　　在消费者关注的领域领先，而在其它方面可以落后，这是一个企业“有所为，有所不为”的表现。企业不可能追求绝对领先，因为那是不现实的。关键是能否在目标客户那里放大自己的优点，弱化自己的缺点，这才是营销的功夫所在。这背后其实是一个“卖思想”的概念，即企业试图说服目标消费者，究竟什么特性或指标对目标消费者最重要。目标消费者一旦接受了这个概念，也就接受了与此概念相吻合的产品、服务或品牌。当然要做到这一点，前提是企业必须先明确“只为部分人服务”。因为“卖思想”注定只能打动一小部分人。这其实也是在外延产品层次上的竞争战略。
　　转换市场时，
　　模式跟着转了吗？
　　对于那些过去做主流市场成功的企业来说，如果想进入次主流市场，就要在经营战略上适当调整。因为做次主流市场时所需人员不一样，产品特征不一样，价值诉求也不一样，所以千万不要让做主流市场成功的经营管理人才不做任何调整就直接调去做次主流市场。这些人做惯了主流市场，如果他们不“换脑袋”的话，往往会出很多问题。
　　做这两类市场需要的是不同类型的思维模式。做后者经常思考的问题是如何增值(提价)，而不是如何降低成本(降价)。一个典型的案例是：丰田进入次主流市场用的是凌志品牌，其销售人员不同，销售场合不同，宣传方式不同，服务方式不同。除了在技术和生产方面可以共享资源以外，在市场上你很难感受到他们是“一家人”。
　　总之，一个产品要想卖出好价钱，一定要让消费者感到物有所值，既可以是在核心产品上有优势，也可以是在外围或外延产品上有优势。选择什么样的市场，要看企业爱好什么，是爱“战争”，还是爱“和平”。管理
　　(本文作者系汇智卓越企业管理咨询公司董事长、首席顾问)
【】【】【】【】【
】【】【】【】
　经营管理栏目　相关链接
　《中外管理》其他文章
电话：010-4　　　
Copyright & 1996 - 2005 SINA Inc.
All Rights Reserved
北京市通信公司提供网络带宽574被浏览39283分享邀请回答altiasystems.com 和FullView http://就是这样做的。当然也可以再进一步回归问题本质，图片拼接就是为了获得更大视角，直接采用广角镜头，或者普通镜头加球面透镜，如GoPano http://。硬件方案成本较高(子曰：单反穷三代，有了单反你才需要广角镜头)是算法方案。算法方案成本更低，普通相机多次拍摄就能合成类似广角镜头的效果。还是从问题根源出发，不就是一个全局单应性矩阵的对齐能力不够吗，那用更强力的矩阵或者更多个单应性矩阵不就好了。故事是从11'CVPR的Dual-Homography Warping(DHW)开始的，将场景划分为背景平面和前景平面，用两个单应性矩阵(8参数变换矩阵，能把正方形变成任意四边形)分别对齐背景和前景，这种方法可以无缝拼接大部分现实场景了。既然两个单应性矩阵效果更好，那很多人就会想能不能用更多的矩阵呢？效果会不会更好呢？图像拼接第二春就是这么一步一步发展过来的。当然有人这么做了，答案也是肯定的。另一篇11'CVPR的Smoothly Varying Affine(SVA)，用多个仿射变换(6参数的变换矩阵，经过仿射变换的平行线依然平行，能把正方形变成平行四边形)，局部变形能力和对齐能力更强，具有一定处理视差的能力(自己和自己下棋，图像拼接这么玩确实挺炫的)。矩阵能不能更强一点呢？图像拼接第二春的里程碑算法，13'CVPR,14'PAMI的As-Projective-As-Possible(APAP)出现了，来自TJ CHIN大神组的工作，将图像划分为密集网格，每个网格都用一个单应性矩阵对齐，叫做局部单应性，并同时给出了一整套高效的计算方法Moving DLT，最最最重要的是公开了MATLAB代码 。至此，图像拼接的第二春开始了(春来发几枝-_-!)，你可能会疑惑，不就是划分网格多个的局部单应性吗，有这么厉害吗？当然厉害啊，不过厉害的不是局部单应性，重点在于网格二字，重新看APAP算法，可以用一句话总结：网格变形！(汽车人请保持冷静，没说你们)。我们需要先梳理一下派别，图像拼接属于计算机视觉问题(三大会议CVPR, ECCV, ICCV和两个顶刊IJCV, PAMI)，而网格变形与优化相关的图像变形、尺寸缩放、重定向、视频去抖等问题都属于图形图像问题(顶会SIGGRAPH和顶刊ACM TOG)。虽然自古武功不外传，但就像某某高手，博采众家之长自成一派创立武功绝学一样，APAP打通了图像拼接和网格优化，马上就有人从网格变形联想到网格优化，用网格优化的方法来解决图像拼接问题。14'CVPR的Parallax-tolerant Image Stitching ， 借鉴经典视频去抖方法Content-preserving warps(CPW)的优化项和缝合线主导的13'Eurographics的Seam-driven，大幅提高了大视差场景的拼接性能。另一篇14'CVPR的Shape-Preserving Half-Projective(SPHP)从形状矫正的角度出发，借鉴图像缩放的Shape-Preserving类方法，非重叠区域逐渐过渡到全局相似变换(4参数的变换矩阵，能把正方形变成矩形)，并对整个图像增加相似变换约束，矫正拼接图像的形状，减小了投影失真。这两个方法的共同点是，给网格添加不同的约束项就能得到不同的效果，约束项让图像拼接进一步升华。如果3年前你就关注CV届，看到这个你肯定会眼前一亮，这可是灌水利器啊，过来人都依稀记得，在深度学习之前统治CV界的稀疏表示，换个约束项就是一篇文章(吐槽下，请不要痛恨遍地都是深度学习，至少深度学习还是work的，不怎么work的稀疏表示曾经也这样泛滥过，养育了一批科研人员)。更致命的是，除了网格优化可以加约束项，常用的最优缝合线(seam-cutting)的图割也是个优化问题，也可以加优化项，更好更找出缝合线也是一个方向。(人家也上有老下有小，水水文章无可厚非)好文章并且真真实实work的工作还是有的,再用一首歌的时间，快速浏览一下那些值得follow的拼接算法：15‘CVPR的Adaptive As-Natural-As-Possible(AANAP)，同样是形状矫正问题，自适应确定角度，同样用全局相似变换矫正形状，IBM出品(大牛很冷漠，没有回我邮件~_~)，没有落约束项的俗套，质量杠杠的，拼接结果的观感自然度比SPHP提升了一个档次。16’ECCV的Global Similarity Prior(GSP) ，直线对齐约束确定全局相似矩阵的角度选择，用APAP初始化网格，约束项方面同时使用局部相似约束和全局相似约束，多图拼接性能和观感自然度提升。16‘ECCV的Seam-guided Local Alignment(SEAGULL)
在Parallax-tolerant Image Stitching算法的基础上，改进Seam-driven，轮廓检测和直线检测，加入了曲线和直线结构保持约束项的结构保持绘制，确实提升很明显。用网格优化来解决图像拼接问题，等价于每个局部单应性矩阵互相独立单独优化，具有更大的自由度，上面几篇论文也能看出来更大的自由度能兼顾的更多，拼接结果更加准确自然。图像拼接大家都在玩大视差的拼接，玩到有点过分了，为了显示算法对其能力的强悍，图像视差大的不可理喻之外，重叠区域也是几乎整个图像，虽然这样没什么实际意义，但对齐能力的提升才是这些过分玩法的基础。其实想怎么玩都可以，图像/视频是一个比较务实的方向，水水论文毕业可以做相关产品的落地。/************************我是分割线**************************/再扯扯，又一个VR元年过去了，除了AR火了一把，VR还是安安静静的发展，作为VR技术的核心之一，图像拼接是很有市场的。如果要发顶级文章又怕只做图像拼接做不过各大团队，紧紧围绕VR去做也是可以的，这里再介绍两条路：视频拼接：VR很需要拼接效果好还能在线实时拼接的算法，价格下来体验上去才能飞入寻常百姓家(看到VR上GTX我表示心累，不热也贵啊)。难点主要有：除了图像拼接中的视差问题，还有前景移动物体穿越相机时的重影和不连续。背景建模类方法速度快但效果差，大视差前景物体难以处理；逐帧拼接类效果好，但速度慢，不考虑空域就会有抖动。目前比较热的做法是把视频拼接和视频稳定(去抖)一起做，可以做高质量离线拼接，也可以做在线实时拼接，都是有市场和实际应用需求的。如果真的做的好有重大突破，收收专利费过好下半生不会问题~~这些离线逐帧拼接方法和视频稳定一起玩，效果可以做的很好，加约束项依然行得通，但复杂度嘛，呵呵。。在线实时还没有很work的方案，如果对这个问题感兴趣欢迎讨论。再来做个实验吧：（那我懂你的意思了，原句引用）以人的左右眼成像为例。摆一根手指在眼前，人解决大视差的观看方式是让它重影吧，主要保证大视野信息的完整性。非要看清手指那就只好斗鸡眼了(斗鸡眼-_-!)。。。说说个人做实时在线视频拼接的相关项目的经验吧：融合方法选择：Multi-band blending(多频带)可以处理小视差，但复杂度还是太高了，尤其是图像分辨率较高的时候，如果是写论文追求极限效果那就Multi-band，如果计算资源有限还是推荐Feather blending(渐进渐出)方法，这两个方法都可以和seam-cutting结合。比较有效的策略是背景建模+逐帧前景移动物体检测，检测到了就更新seam(缝合线方法，graphcut)，没有检测到就保持之前的seam，可以在处理视差的同时保持前景物体不模糊、连续，但seam-cutting方法的复杂度较高，很小分辨率也难以实时处理，这种做法的缺点是有前景物体经过时帧率会大幅下降，如果计算资源足够可以用这种方法，或者优化seam-cutting类方法的速度。再用一首歌的时间推荐几篇文章：15‘sensors(据查二区)一作华科的Parallax-Robust Surveillance Video Stitching，虽不能算顶尖工作的代表，也可以作为在线视频拼接的范例，适用环境是类监控场合，特点是相机位置和背景都保持不变，套路基本都类似：用背景帧(第一帧)初始化拼接模板；检测是否有前景物体经过融合区域，或经过缝合线；如果有，更新缝合线和拼接模板，再按照新模板拼接；如果没有，按照前一帧的拼接模板直接拼接。15’CVPRW的Spatial-Temporal Content-Preserving Warping(STCPW)，华为出品，加时空域约束项，时空块3D缝合线搜索是创举，但拼接速度未知(做视频拼接的文章不提拼接速度是要闹哪样啊)，想想就慢的要死。16’EUROGRAPHICS(CGF出版)的Seamless Video Stitching from Hand-held Camera Inputs
也是SEAGULL的作者做的，密集3D重建，约束项与SEAGULL类似，拼接效果真的很赞，听说一帧就要几分钟。。。16‘TIP的Joint Video Stitching and Stabilization http://，以视频稳定为主，加入视频拼接约束项，算是上一篇的改进，速度快了很多，文中自己说720p视频2fps。立体图像拼接：VR的沉浸现实感很需要3D帮忙，这样体验才能提高一个档次(3D电影看多了公民的品味高了，2D已经无法满足大众口味)。立体图像和立体视频拼接也是可以做的(立体也是灌水利器-_-!)，立体图像拼接推荐15‘CVPR的Casual Stereoscopic Panorama Stitching，立体视频暂时还没有看到相关创新工作。/************************我是分割线********************/再次回到图像拼接问题，按照主流算法先来给图像拼接划分几个小方向：全局对齐方法(Global alignment)：以一个单应性矩阵对齐图像，前面介绍过了，以AutoStitch为代表，适合没有视差或极小视差的场景(仅重叠区域也可以，下同);空域变化绘制方法(Spatially-varying warping)：目前的主流，以局部单应性或网格优化变形为主，以APAP为代表，适合场景视差较小的情况。缝合线主导方法(Seam-driven)：也是主流之一，缝合线(seam-cutting)是处理视差的另一法宝，这类方法以缝合线为主导，不用严格对齐整个重叠区域，而是仅对齐缝合线附近的区域，以Parallax-tolerant为代表，这类方法可以拼接大视差场景。小结一下我们提到的对视差有效的部件：Spatially-varying warping， Seam-cutting，Multi-band blending.马克思告诉我们，事物都有两面性，Spatially-varying warping类方法看起来这么完美，这不科学啊。幸好这里不是论文只说好处不提缺点，咱们大大方方来谈谈这些方法的缺点和相关解决方案，工业界最看重实用性，同时也希望学术节能提出一些高效的解决方案。计算速度慢。这个显而易见，计算一个单应性矩阵VS多个局部单应性矩阵，结果不言而喻，即使APAP方法给出了加速计算的办法，但也只是勉强可以接受，更别说网格优化类方法，优化网格还要根据网格指导图像绘制，单做图像拼接还可以接受，如果扩展到视频拼接，即使低分辨率图像30fps也还只是个梦想(I have a dream,4K视频也能60fps拼接)。更多的超参数。APAP方法中至少有三个超参数需要调整(内点阈值，高斯核参数，offset值)，而网格优化类方法，至少各约束项之间的相对权重需要调整，还有其他乱七八糟一大堆。虽然超参数可以让我们根据实际需求自行调节，但我们还是乐于看到参数自适应选择，而且比较稳定鲁棒的方法，调参累成狗(提到超参数，做深度学习的同学可能深有感触，男人哭吧哭吧不是罪)。内点要求更高。Global
alignment类只需要求解一个全局单应性矩阵，理论上有4对内点就可以解出8个模型参数，而Spatially-varying warping方法如APAP、Parallax-tolerant非常依赖特征点，对匹配特征内点的数量和质量要求都更高，图像局部的视差信息完全由匹配特征点来提供，最理想情况是：匹配特征内点能较密集的均匀分布在重叠区域。下面详细分析这个问题。数量问题：这个问题是关于特征点检测的，就像上图，上面一列是普通情况下各种特征点检测算法，经典的SIFT，加速的SURF，免费的ORB等等(对用破解软件玩破解游戏长大的我来说，SIFT和SURF算法的最大缺点不是速度和检测率，而是收费)，在纹理复杂区域特征点较多，但纹理较少的平坦区域，特征点数量就非常少，匹配到的内点就更少了，这就很尴尬了。也许有人认为纹理少的区域不对齐也看不出来，可在纹理规则的区域任何不对齐都是致命的(图b的地面纹理)。图中下面一列是某篇文章的改进结果。质量问题：这个问题是关于特征点匹配和滤除外点的，经典方法是FLANN匹配+Bestof2滤点+RANSAC滤点，问题出在RANSAC，Global
alignment类方法的内点阈值非常小，可以保证内点都是正确匹配的点对，而Spatially-varying warping类方法设置比较大的内点阈值才能保证有视差(位于不同平面)的匹配点不被滤掉，通常是全局阈值的10~100倍，如果这时候的内点有错误匹配点，拼接结果就会有严重错误。就像下图这种情况，特征点都集中在建筑物上，而天空部分特征点很少，这部分就很难对齐。再仔细看天空中的内点，大阈值RANSAC后的内点还是包含明显的错误匹配点，拼接结果就不放出来了，实在不忍心~~Spatially-varying warping类方法完全是靠特征内点来建模局部视差的，所有视差对齐信息都来自特征内点对(民以食为天)。关于提高内点数量和质量的重要性学术界当然也注意到了，上面的文章也都多多少少做了研究和改进。也有专门针对这个问题研究的文章，或者加入新类型特征，或者提高特征点质量和数量等，这再用一首歌的时间介绍几个不错的工作：也许有人注意到16'ECCV的两个工作都用到了直线，一篇用直线对齐找全局相似变换的最佳角度，另一篇用了直线结构保持的绘制，其实早在15年就有两个直线相关的图像拼接工作。15‘ICCV的Dual-Feature Warping(DFW)，由香港科技大学和微软联合出品，给出了一整套线段特征检测、匹配和RANSAC的方法，作为补充结合点特征一起用，思路就很厉害了，效果自然不会差。同年15’ICIP的Line meets As-Projective-As-Possible(L-mDLT)，与上一篇类似，扩展APAP的MovingDLT，给出了一个点特征和线特征结合的APAP图像拼接框架。但这两个15年的工作对特征线段的处理套路类似特征点，比较直接，而16年的两个工作将直线作为约束项，这样复杂度要低很多。线特征作为点特征的补充对拼接效果的提升很明显，但随之带来的计算复杂度提升也是很可观的。TJ CHIN大神组不就前在16‘arXiv挂出来的方法Correspondence Insertion for As-Projective-As-Possible(APAP+CI)，自动识别未对齐区域，在这些区域对应插入匹配点，没仔细看过就不做评价了。最后，再来聊聊图像拼接怎么和最近很热的深度学习拉关系。图像拼接天然就和VR渊源很深，如果再和深度学习拉上关系，那就不愁文章投不出去，而且深度学习的强大也已经得到了广泛认可，如果能借助深度学习解决以上难题也算是功德一件。我也非常希望能看到更好更实用还免费的新算法代替SIFT/SURF，但新算法要经过学术界的批判和不断改进，工业界的检验和加速优化，才能创造价值(打是亲骂是爱,千锤百炼)。深度学习的网络结构基本固定，做图像拼接相关问题最需要关注的是训练样本和损失函数(如匹配特征点label怎么标注，端到端训练图像拼接ground truth应该怎么给定)，再用一首歌的时间，以两篇相关文章为例，来了解和评估一下Deep ConvNet在图像拼接相关邻域的表现。16'ECCV的Learned Invariant Feature Transform(LIFT) ，将以下三个分别用深度学习做特征点的检测、方向分配和描述子生成的工作结合，end-to-end训练：Verdie Y, Yi K M, Fua P, et al. TILDE: A Temporally Invariant Learned DEtector, CVPR, 2015.Yi K M, Verdie Y, Fua P, et al. Learning to Assign Orientations to Feature Points, CVPR, 2016.Simo-Serra E, Trulls E, Ferraz L, et al. Discriminative learning of deep convolutional feature point descriptors, ICCV, 2015.网络结构是3个CNN分别进行检测、方向、描述(好失望，真的是3合1)。深度学习我们最关心的大量训练样本哪里来？意料之中不是人工标注，而是基于SIFT，是SfM重建过程中所用的特征点(原文the feature points that survive the SfM reconstruction process)，LIFT在训练阶段的输入是以特征点为中心的小块。测试阶段，多尺度图像输入，滑窗形式特征点检测，之后提取小块逐个分配方向，计算描述子。速度未知，文章没提(猜猜看3个CNN有多快)，虽然端到端训练是优势，但训练数据由算法产生，必然会继承SIFT和SfM的缺点(学习雷锋好榜样的必要性)，尺度不变性通过多尺度输入获得，光照不变性应该还不错，作者自己说了旋转不变性很差，有兴趣可以跑跑下代码实测效果！16‘arXiv挂出来的Deep Image Homography Estimation, 提出HomographyNet的用一个类VGG的10层CNN直接从输入图像对，回归预测单应性矩阵的8个参数。听起来很美好，但还是要友情提示，论文投的不是计算机视觉顶会，而是RSS Workshop on Limits and Potentials of Deep Learning in Robotics 2016(机器人领域顶会感谢知友告知)，但想法新颖，有参考价值。虽然Titan X(深度学习，贫民退散)上300fps，但输入太小了没有参考意义，再来看看我们最关心的训练数据还是算法生成的，原图像和投影变换后图像同一点裁小块就是两个输入，相应投影变换就是label。两输入的内容几乎一样，完全没有实际问题中的光照、视差和噪声等因素，而且测试也是这么生成的图像对，算法真实效果和实用价值待定，认真你就输了。CNN生成描述子类似人脸验证，相关文章挺多，可以跟踪一下，参考和借鉴。如果能通过CNN做到特征内点密集、均匀分布于重叠区域，Spatially-varying warping类方法的实用性就能进一步提高，或者更进一步，图像拼接问题直接通过end-to-end训练解决了那就更好了，上面介绍的文章已经说明CNN的无限可能性。但仅目前来看，CNN在产品落地难度还是非常非常大的，实时检测和拼接基本不做奢望(路漫漫其修远兮)。/**********************我是分割线************************/前不久有首PPAP很火，有没有觉得和APAP很像，这里就给PPAP配上图像作为结束，ENDING!I have a pen,I have an apple.Apple-pen!I have a pen,I have pineapple.Pineapple-pen!Apple-pen~Pineapple-pen.Pen-Pineapple-Apple-pen!重要说明：以上内容仅是对近两年领域内论文的粗略分析概括，不涉及任何公司内部资料和信息。难免疏漏和错误，希望您仔细甄别，以原作者论文和代码为准。最后，感谢您看完，欢迎探讨。/**************************更新********************/ECCV2016的NISwGSP代码已开源，用兴趣的快去试试吧，C++版本，良心：/***************************更新****************/2017年顶会未见相关工作，APAP的坑已经被填满，该方向也归于平静，请谨慎入坑，请勿自误！近期我会公开我复现的APAP, SPHP, AANAP的MATLAB代码，还有上面作者开源的NISwGSP，仅供参考。326128 条评论分享收藏感谢收起312 条评论分享收藏感谢收起查看更多回答