利用卷积神经网络广泛匹配图像补丁
本研究基于卷积神经网络为计算视差匹配的成本聚合,并针对 KITTI2012、KITTI2015 和 Middlebury 立体数据集对该方法进行了验证,结果表明其在所有三个数据集上优于其他方法。
Oct, 2015
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
本篇论文介绍了一种学习匹配函数的方法,该方法能自动发现允许视觉外观变化的空间,并学习相关特征在不同相对位置和尺度上的匹配分数的重要性。该算法已在 KITTI、Sintel 和 TimeLapse 数据集上实现了有希望的结果。
Feb, 2015
该论文提出了一种新的算法 PSMNet,通过空间金字塔池化模块和三维卷积神经网络来提取全局上下文信息并形成代价体积,通过多层次网络及中间监督来优化代价体积,该算法在 KITTI 2012 和 2015 数据集中的表现也十分优秀。
Mar, 2018
该研究提出了一种名为 PCW-Net 的深度学习模型,它利用代价体积、金字塔结构和图像拉伸等先进技术,在实现跨域泛化的同时提高立体匹配的准确性,其在 KITTI 2012 和 Argoverse 等数据集上取得了最好的性能。
Jun, 2020
本文提出了一种多尺度匹配网络,该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配,并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明,该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。
Jul, 2021
本文提出了两种方案来解决卷积神经网络立体匹配的问题。第一种方案是使用局部相似度模式 (LSP) 的成对特征作为卷积特征 (CF) 的补充,以更具区分性的特征描述。第二种方案是设计动态自组装细化策略,用于成本分布和视差图的细化,从而显著提高了建模的性能。
Dec, 2021
本文提出了一种基于学习的方法, 通过人体合成数据及采用池化层和数据增强技术,来适应真实数据,并解决了人体宽基线立体重建问题。实验结果表明,该方法在具有挑战性的数据集上得到了较好的宽基线立体重建效果。
Oct, 2019
本文提出了一种针对整个图像计算基于补丁的局部特征描述符的有效方法,适用于几乎所有现有的网络架构和局部特征提取任务,包括摄像机标定、Patchmatching、光流估计和立体匹配等任务,并对任意 CNN 架构进行了速度基准测试和示例代码的展示。
May, 2018