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。
Sep, 2014
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
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
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
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
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
本文提出了一种基于金字塔池化层的图像匹配算法,它可以高效地利用较大的窗口信息来生成匹配代价函数,并在 Middlebury 基准测试数据集上取得了接近最优表现。
本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法,结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解,让 CNN 能够根据新领域的实际数据自适应地调整自身参数,在保持边缘的同时消除伪像,实现在两个场景中的高效应用。
Mar, 2018
本研究提出了一种三步改进的立体匹配管道,其中包括了基于多级加权残差快捷方式的高速公路网络结构,用于计算每个可能差异的匹配成本,并引入了新的后处理步骤,旨在处理全局信息结合的图像不确定性,从而提高异常点检测的性能,并在现有技术上实现了最新的性能。
Dec, 2016
本文介绍了如何用卷积神经网络 (CNN) 从图像数据中直接学习通用的相似性函数,以比较图像补丁。我们的实验表明,这种方法在多个计算机视觉问题和基准数据集上都取得了极大的成效。
Apr, 2015