本论文介绍了一种基于 FPGA 的 More Global Matching 算法的立体视觉系统，通过对深度图的位移图进行加速计算，以达到实时运行的目的，在深度图计算方面可达到 0.72 瓦的功耗和 10.5fps 的更新速度。

Jul, 2020

本文提出了一种受到 More Global Matching (MGM) 方法启发的新型资源高效方法，它可以实时运行在功耗低的 FPGA 上，并在 KITTI 和 Middlebury 等多个数据集上验证了我们的方法可以实现在准确性、功耗效率和速度之间的最佳平衡，使我们的方法非常适用于功耗有限的实时系统。

Oct, 2018

本文提出一种结合 SGM 和 ELAS 方法的 FPGA-CPU 芯片的立体图像算法，实现了高效和高精度的深度数据点云的计算，并在 KITTI 2015 数据集上以 50FPS 的速度和 5W 的功率消耗下，达到了仅 8.7％的误差率。

Jul, 2019

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

使用嵌入式 GPU 实现的简约的立体匹配系统，通过基于变分自动编码器的小型神经网络构建优化初步视差图的混合结构，实现了传统算法和神经网络结合，同时提高了匹配准确度和实时性。

May, 2023

本论文提出了一种新的导向立体匹配方法，利用来自外部源的少量稀疏但可靠的深度测量来提高现有深度学习模型在处理新环境时的准确性和鲁棒性，并证明此方法适用于传统的立体匹配算法，并且即使只输入少量稀疏数据，对现有模型的性能也有显著提升。

May, 2019

研究表明，语义立体匹配比独立任务能更好地了解机器人、自我导航、增强现实等领域的场景理解。本文提出了一种单一的紧凑型和轻量级架构，通过多阶段的自上而下的估算，使得在任何硬件上和任何应用中都可以获得非常快速的推理，并对特定的应用要求进行准确度和速度的权衡。

Oct, 2019

本研究提出了一种高性能和可调谐的立体视差估计方法，其关键是通过半稠密重建的快速深度验证步骤，通过迭代逼近场景深度，构建由立体形象生成的多面平坦网格。该方法的简单性和速度以及可调谐的重建质量和运行时性能使其成为高速车辆应用的一个引人注目的解决方案。

Nov, 2015

针对低功耗实时机器人领域，提出了一种基于 FPGA 加速的 ELAS 算法适配方案，在保留原有算法性能特性的前提下，利用 CPU/FPGA SoC 的组合，极大地提高了算法计算速度和功耗表现，为低功耗实时系统下更复杂、多样化算法的加速提供了新思路。

Feb, 2018

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