本文介绍了一种新颖的倾斜平面MRF模型，它同时对遮挡边界和深度进行推理。作者将问题定义为混合MRF中的推理问题，其中包括连续（即倾斜的3D平面）和离散（即遮挡边界）随机变量，从而使他们能够定义潜在函数，编码由分割边界组成的像素的所有权，以及编码哪些交界处是物理上可能的。我们的方法在Middlebury高分辨率图像以及更具挑战性的KITTI数据集上表现优于现有的倾斜平面MRF方法，并且比现有的方法更高效，平均需要2分钟来执行高分辨率图像的推理。

Apr, 2012

提出了一种名为wide multiple baseline stereo（WxBS）的新问题，它考虑了匹配同时在多于一个图像采集因素方面存在差异的图像，如视角，光照，传感器类型或物体外观变化等，为此引入了一组新的带有地面真实性的数据集，以便评估匹配算法的性能，通过实验表明，WxBS-M匹配器在新旧数据集上均优于现有的最先进方法。

Apr, 2015

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

本文提出了一种基于平面先验辅助PatchMatch多视角立体视觉框架的方法，用于三维模型的恢复。实验证明，该方法可以高效地恢复极低纹理区域的深度信息，从而获得高度完整的三维模型并实现目前最佳性能。

Dec, 2019

本文回顾了十多年来用于立体匹配置信度估计的算法和策略，并评估了现有的置信度估计方法，包括手工设计的和最新的基于学习的方法，在五个标准数据集上进行实验，并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较，旨在提供该领域的全面概述，并突出了基于学习的方法的优势和局限性。

Jan, 2021

提出一种针对立体匹配网络中特征一致性维护的方法，通过像素级对比学习、特征保白和特征一致性损失函数等手段，实现模型在未知领域的泛化能力提升，并在合成数据经过训练后在四个真实测试集上实现比多种现有技术更好的性能。

Mar, 2022

本研究提出了一种新的损失函数来联合估计深度立体匹配中的差异和不确定性，通过KL散度项要求不确定性的分布匹配失配误差的分布，从而使用可微软柱状图技术来近似分布，以在大型数据集上实现对差异和不确定性预测的显着提高。

Mar, 2023

本文提出了首个利用极化线索进行PatchMatch多视角立体匹配（PolarPMS）的方法，该方法通过评估极化一致性来提高重建的三维模型的准确性和完整性，尤其是对于无纹理的表面。

Nov, 2023

通过几个公开数据集上的广泛实验，我们提出的方法在KITTI 2015数据集的前景像素立体匹配中排名第一，在Scene Flow数据集中排名第三，验证了我们方法的有效性。

Feb, 2024