ICCVAug, 2017

级联残差学习：一种用于立体匹配的两阶段卷积神经网络

PDF
TL;DR本文提出了一种级联卷积神经网络，它深度学习处理立体成像时产生的不适定区域难点，通过残差学习技术实现了高精度的视差图生成，达到了极佳的匹配效果。
convolutional neural networksdense correspondencestereo paircnn architectureresidual learning
发现论文，激发创造
  • 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

  • 使用恒定的高速公路网络和反射性置信度学习提高立体匹配的效果

    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

  • 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

  • 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

  • 级联卷积残差去噪网络实现深度图像去马赛克

    本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

    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

  • DispSegNet: 借助语义实现从立体影像端到端的视差估计学习

    本文提出了一种用于改善深度估计的 CNN 体系结构，该体系结合语义分割任务。所提出的模型是使用无监督方法进行训练的，并采用双目摄像系统的图像对。实验表明，使用语义分割的嵌入可以提高深度估计的性能

    Sep, 2018

  • 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

  • 基于残差估计的视频立体匹配的灵活递归网络

    基于残差估计的递归结构网络 RecSM 用于视频立体匹配，通过计算当前帧与前一帧之间的残差值，仅利用时间上下文作为参考，快速计算当前帧的位移，同时使用 DOM 和 TAM 模块进一步减少估计误差，堆叠式计算结构 (SCS) 实现可扩展性。实验结果表明，RecSM 在一块 NVIDIA RTX 2080TI GPU 上运行 0.054 秒，相比 ACVNet 提高了 4 倍的速度，准确度仅下降 0.7%。

    Jun, 2024

  • 使用全卷积残差网络进行更深的深度预测

    采用残差学习和反 Huber loss，提出了一种全卷积结构的模型，可通过单个 RGB 图像估计场景深度图，优于当前所有深度估计方法，且无需后处理技术，能够实时运行。

    Jun, 2016