homography

这篇论文也是利用深度学习计算两张图片之间 homography 矩阵的方法。与前文的方法（Deep Image Homography Estimation、Unsupervised Deep Homography）不同的是输出层为 perspective field，也就是每一个像素的变换关系。在有了每个像素的变换关系以后，便能使用 DLT 计算 homography 矩阵，并且也会比只用四个点还要 robust

Fundamental matrix 有七个自由度，有好几种解释方法： 两个 epipole 各有两个自由度，而对应的 homography 矩阵有三个自由度。 两个相机矩阵会决定一个 fundamental matrix，但另一个方向并没有此对应关系，因此我们通常用 canonical form 来表示从 fundamental matrix 得到的相机矩阵。 Fundamental matrix 表示了两个相机的投影关系，两个相机矩阵分别有十一个自由度，而表示一个 projective world frame 需要十五个自由度，因此也可以推出 fundamental matrix 有七个自由度