本文介绍了一种实时生成精准视差图的方法，在保持精度的同时可以根据计算资源的需求自动调整。该方法的参数数量较少且可用于资源受限的设备。

Oct, 2018

实时立体匹配是许多扩展现实（XR）应用的基础算法，本研究介绍了一个包含室内场景的真实视频立体合成数据集，并提出了一种在低功耗设备上实现高准确度实时深度推测的新方法。

Sep, 2023

该研究提出了一种可嵌入低功耗 GPU 设备的实时系统，使用 Semi-Global Matching 算法，针对机器人、高级驾驶辅助系统和自主车辆等的需求，在 640x480 的图像大小、128 个视差级别和 4 个路径方向下，以每秒 42 帧的速度生成可靠的视差估计结果。

Oct, 2016

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

我们提出了一种用于移动 CPU 处理器上进行障碍物检测的新型立体视觉算法，可以实现每秒 120 帧的探测，并能在高速、小型的无人机上实现运行。该系统使用 IMU 和状态估计器恢复障碍物的位置，并建立并更新完整的深度图，不需要任何外部传感器或计算。

Jul, 2014

本文提出了一种新颖的基于 Transformer 的 DynamicStereo 结构来解决从双目摄像机中重构动态场景的问题，并介绍了 Dynamic Replica 数据集来提供更贴近实际应用的训练和评估数据。

May, 2023

提出了 StereoNet，这是第一个端到端实时立体匹配的深度学习架构，在 NVidia Titan X 上以 60fps 运行，产生高质量，边缘保留且无量化的视差图。 该网络具有超像素匹配精度的关键洞见，比传统立体匹配方法高一个数量级，通过使用低分辨率代价体编码所需的所有信息，从而实现实时性。采用学习的边缘感知上采样函数实现空间精度，并使用 Siamese 网络从左右图像提取特征。在非常低的分辨率代价体中计算视差的初步估计，然后模型通过使用紧凑的像素到像素细化网络的学习上采样函数分层地重新引入高频细节。利用颜色输入作为指南，该函数能够产生高质量的边缘感知输出，并在多个基准测试中取得了显着的结果，演示了所提出的方法在可接受的计算预算下提供了极大的灵活性。

Jul, 2018

我们提出了一种端到端的框架，通过逐层搜索相应关系来解决高分辨率图像上的实时立体匹配问题，利用所提出的数据集进行训练和评估并在速度上超过竞争对手 ，能够在低延迟（30 毫秒）内准确预测近距离结构的视差，所提出的层次结构设计可以灵活地平衡性能与速度，用于自动驾驶等时间关键的应用。

Dec, 2019

本文提出了一种高计算效率、稳健性强的新型密集亚像素视差估计算法，通过将目标帧的透视视图变换为基准视图，在保证匹配精度的同时提高了处理速度。此外，还介绍了一种新的基于马尔可夫随机场和快速双边立体的视差全局细化方法，能够进一步提高估计视差图的精度。实验结果表明，重建的绝对误差在 0.1 至 3 毫米之间。

Jul, 2018

本文介绍了一种嵌入在无人机上的稳健立体视觉系统，可以实时准确地评估道路表面的状况，从而支持道路交通的安全。通过改进视角变换和使用双边滤波器来过滤生成的代价体积，以及最小化能量函数，通过单独检测受损道路区域，降低了算法的计算复杂度。

Apr, 2019