Mar, 2017

深度立体回归几何和上下文的端到端学习

PDF
TL;DR该文提出了一种基于深度学习的新型架构，用于处理立体图像的视差回归问题，通过代价体积和不同 iable sof argmin 算法来进行图像处理，并在 KITTI 数据集上创造了新的最佳性能结果。
发现论文，激发创造
  • 360 度可学习代价卷积的立体深度估计

    提出一种新的神经网络架构，用于解决 360° 图像中的球面视差问题，并通过学习可移位滤波器构建代价体积以缓解失真问题，实验结果表明其对现有算法具有较好的鲁棒性和准确性。

    Nov, 2019

  • 深度立体匹配自适应单峰代价卷积滤波

    本文提出了一种新的深度学习立体匹配方法，通过在代价体上增加限制和建立局部基于峰值的单峰分布函数，显式地建模不同环境下的匹配不确定性，从而提高了匹配效果。

    Sep, 2019

  • 几何与语义相遇：半监督单目深度估计

    通过利用语义标记的图像和通过图像变形获得的无监督信号来联合学习语义分割和深度估计，提出了一种半监督的深度估计方法，结果表明在 KITTI 数据集上超过了单目深度估计的先进方法。

    Oct, 2018

  • CVRecon: 重新定义神经重建的 3D 几何特征学习

    提出了一种基于多视角立体技术的神经重建框架 CVRecon，使用创新的 3D 几何特征表示方法 RCCV，可以显着提高三维几何重建质量和恢复细节。

    Apr, 2023

  • ResDepth: 学习残差三维重建

    使用深度学习的残差学习方法来提高立体重建质量，并可用于卫星图像等领域。在 ETH3D 基准和卫星图像领域，平均绝对误差降低了 50% 以上。

    Jan, 2020

  • 鲁棒的几何保持深度估计 - 使用可微分渲染

    通过混合数据集训练模型，预测几何保持的深度，并通过渲染重建场景的新视图以及设计损失函数，促进不同视角下深度估计的一致性，实现了对领域特定尺度和平移系数的自主恢复，优于现有最先进方法的多个基准数据集。

    Sep, 2023

  • 学习多视角立体机

    通过特征投影和反投影沿视线的方式，我们提出了一种用于多视图立体成像的学习系统，通过可微化运算，我们能够对 3D 形状进行度量重构，从而实现在几张相对较少的图像（甚至一张图像）中重建 3D 图像，并且证明了我们的方法在 ShapeNet 数据集上优于传统方法和最新的基于学习的方法。

    Aug, 2017

  • EdgeStereo：一种上下文整合残差金字塔网络，用于立体匹配

    本文提出了一种多任务网络 EdgeStereo，由一个背景视差网络和一个边缘子网络组成，通过设计上下文金字塔来编码多尺度上下文信息，并通过特征嵌入和基于边缘感知的光滑度损失正则化来融合边缘线索。经过实验证明，立体匹配和边缘检测可以相互帮助，并且该方法在 KITTI 立体和 Scene Flow 基准测试中均取得了最佳性能。

    Mar, 2018

  • StereoDRNet：扩张残差立体网

    提出了一种使用卷积神经网络（CNN）从立体图像估计深度，利用预测的深度图进行体积融合，进而恢复场景的三维重建方法，该方法采用了新的深度细化架构，实现了先进成本滤波架构成本的近半降低，采用风暴池架构进行特征提取，该方法在多个基准数据集上均取得了领先的成果。

    Apr, 2019

  • 无监督单目深度估计与左右一致性

    本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

    Sep, 2016