深度立体匹配网络结合边缘检测网络，构成一种多任务学习网络，其中边缘线索提供了出色的线索，以实现细节区域的视差估计精度的提高，并获得 state-of-the-art 的表现。

Mar, 2019

提出了 StereoNet，这是第一个端到端实时立体匹配的深度学习架构，在 NVidia Titan X 上以 60fps 运行，产生高质量，边缘保留且无量化的视差图。 该网络具有超像素匹配精度的关键洞见，比传统立体匹配方法高一个数量级，通过使用低分辨率代价体编码所需的所有信息，从而实现实时性。采用学习的边缘感知上采样函数实现空间精度，并使用 Siamese 网络从左右图像提取特征。在非常低的分辨率代价体中计算视差的初步估计，然后模型通过使用紧凑的像素到像素细化网络的学习上采样函数分层地重新引入高频细节。利用颜色输入作为指南，该函数能够产生高质量的边缘感知输出，并在多个基准测试中取得了显着的结果，演示了所提出的方法在可接受的计算预算下提供了极大的灵活性。

Jul, 2018

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。

Aug, 2017

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。

Mar, 2017

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

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

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

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

远程感知领域中，缺乏立体匹配以及准确地面真实数据制约了深度神经网络的训练；合成图像作为替代方案缓解了此问题，但面临域泛化问题；结合图像到图像翻译和立体匹配的能力提供了有效解决方案；通过将图像到图像翻译网络和立体匹配网络联合优化，我们提出一种基于边缘感知的生成对抗网络，同时有效解决了两个任务；通过 Sobel 算子获取输入图像的边缘图像，并将其作为编码器的额外输入，以在翻译过程中强制保持几何一致性；此外，通过计算翻译图像的变形损失来维持立体一致性；我们证明了我们的模型比现有模型产生了更好的定性和定量结果，并且其适用性扩展到包括自动驾驶在内的各种领域。

Apr, 2024

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