AAAIJan, 2018

具显式成本聚合子结构的深度立体匹配

PDF
TL;DR本研究以深度学习的 cost aggregation 理论为基础，提出了使用两路神经网络进行视差匹配的方法，并在 KITTI 和 Scene Flow 等数据集上进行全面实验。实验表明，本方法在性能上胜过了目前的最先进方法。
deep neural networkscost aggregationstereo matchingtwo-stream networkperformance
发现论文，激发创造
  • GA-Net: 引导连接网络实现端到端立体匹配

    在立体匹配任务中，匹配成本聚合对于准确估计视差在传统方法和深度神经网络模型中都非常重要。本文提出了两个新颖的神经网络层，旨在分别捕捉本地和整个图像成本依赖关系。实验表明，具有两个引导聚合块的网路轻松超越具有十九个 3D 卷积层的 GC-Net 的最新技术水平。我们还训练了一个深度引导聚合网络（GA-Net），其在 Scene Flow 数据集和 KITTI 基准测试上比最先进的方法更准确。

    Apr, 2019

  • AANet: 用于高效立体匹配的自适应聚合网络

    提出了一种基于稀疏点和神经网络的代价聚合方法，用于加速立体匹配的推理速度，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020

  • Ghost-Stereo：基于 GhostNet 的立体匹配网络的代价体积增强与聚合

    基于 GhostNet 的 Ghost-Stereo 是一种新颖的端到端立体匹配网络，使用特征增强模块和轻量级聚合模块来提高成本体积质量，从而取得与最先进的实时方法相当的性能，并展现出更好的泛化能力。

    May, 2024

  • 用 Transformer 统一特征和成本聚合的语义和视觉对应

    本论文介绍了一种基于 Transformer 的综合特征和成本聚合网络，用于密集匹配任务。我们展示了特征聚合和成本聚合的不同特点，并介绍了一种简单而有效的架构，利用自注意力机制和互注意力机制来统一特征聚合和成本聚合，从而在语义匹配和几何匹配任务中实现了显著的改进。

    Mar, 2024

  • 利用后期成本聚合提升多视图立体匹配

    基于学习的多视点立体匹配，我们提出了一种晚期聚合方法，通过整个网络前馈过程对成对成本进行聚合，实现准确的估计，并且仅对普通 CasMVSNet 进行微小改变，从而使后续的深度网络充分利用关键的几何线索。

    Jan, 2024

  • 基于特征一致性学习的视差估计

    提出一种网络架构以整合所述对象的所有步骤，计算多尺度共享的特征，使用共享特征执行匹配成本计算、匹配成本聚合和视差计算以估计初始视差，并根据正确性计算特征恒定性，从而细化初始视差。

    Dec, 2017

  • 立体匹配的跨尺度成本聚合

    本文提出了一个通用的跨尺度成本聚合框架，以允许成本聚合的多尺度交互，并在多个数据集上得到了重大的改进。

    Mar, 2014

  • 使用卷积神经网络计算立体匹配成本

    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

  • 深度立体匹配网络的本地相似度模式和代价自重组

    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

  • 训练卷积神经网络比较图像片段进行立体匹配

    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