CVPRSep, 2014

使用卷积神经网络计算立体匹配成本

PDF
TL;DR该论文通过使用卷积神经网络预测图像之间匹配的好坏，进而计算立体匹配代价，再通过交叉基准代价聚合、半全局匹配和左右一致性检查（LRC）来消除遮挡区域中的错误，从而获得了较低的误差率。该方法在 KITTI 立体数据集上达到了 2.61％的误差率，并且是该数据集上目前（2014 年 8 月）表现最好的方法。
发现论文，激发创造
  • 训练卷积神经网络比较图像片段进行立体匹配

    本研究基于卷积神经网络为计算视差匹配的成本聚合，并针对 KITTI2012、KITTI2015 和 Middlebury 立体数据集对该方法进行了验证，结果表明其在所有三个数据集上优于其他方法。

    Oct, 2015

  • 使用二维卷积处理代价签名的快速深度立体匹配

    本文提出一种基于传统匹配成本的快速深度估计网络，该网络仅使用每个像素和二维卷积操作来总结每个位置的匹配信息，并以低维特征向量的形式生成密集的视差图，在保证准确度的同时，相较于其他算法显著加快了处理速度。

    Mar, 2019

  • 通过级联循环适应性相关网络实现实用立体匹配

    本研究利用卷积神经网络等技术，提出一套创新方案解决智能手机等消费级设备拍摄的真实图像对中，提取深度信息的问题，并在 Middlebury 和 ETH3D 基准测试上表现出高准确性和高质量的细节。

    Mar, 2022

  • 具有自我改进能力的自监督学习用于立体匹配

    本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

    Sep, 2017

  • 组相关立体网络

    本文提出了使用分组相关来构建成本体积，并改进了三维堆叠沙漏网络，以用于立体匹配的深度感知，通过实验证明在 Scene Flow、KITI 2012 和 KITTI 2015 数据集上，该方法优于之前的方法。

    Mar, 2019

  • 基于特征一致性学习的视差估计

    提出一种网络架构以整合所述对象的所有步骤，计算多尺度共享的特征，使用共享特征执行匹配成本计算、匹配成本聚合和视差计算以估计初始视差，并根据正确性计算特征恒定性，从而细化初始视差。

    Dec, 2017

  • Du$^2$Net: 双摄像头和双像素深度估计模型学习

    本文提出了一种基于神经网络的方法，将双目摄像机的立体匹配与双像素传感器的立体匹配相结合，以实现精准的景深图像，避免了前人研究中存在的模糊和匹配错误等问题，该方法对计算机摄影应用具有重要意义。

    Mar, 2020

  • 利用有条件代价体积标准化的立体匹配网络融合 3D LiDAR 和立体视觉

    提出了一种利用 LiDAR 和立体相机实现深度感知的方法，该方法基于立体匹配神经网络，引入输入融合和条件成本体积规范化技术，实现了两种传感器信息的有效融合，实验结果表明，该方法在多个融合策略中表现优异，而且在计算时间和模型大小方面增加的开销较小。

    Apr, 2019

  • 基于 CNN 的代价体积分析作为稠密匹配的置信度量

    本文提出了使用卷积神经网络 (CNN) 从三维数据中直接学习置信度估计特征的新方法，将深度学习和代价体特征相结合，通过对三个数据集上的三种常见密集立体匹配技术进行广泛评估，证明了该方法的广泛性和最先进的准确性。

    May, 2019

  • 从单张图片学习立体视觉

    该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。

    Aug, 2020