这篇论文提出了使用梯度一致性信息来评估线性化的有效性，并将此信息用于确定作为解析梯度一致性模型的一部分应用于数据项的权重，以取代基于预定日程的数据库学术自调度，该模型通过分析得出的梯度一致性模型用于于目标视图的空间梯度和源视图的空间梯度之间不匹配的视图对的数据项。我们表明，梯度一致性模型在收敛速度和准确性方面优于标准的粗粒度到精细度方案和最近提出的逐步包含视图的方法。

May, 2024

本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

通过将扩散模型融入迭代优化过程中，我们提出了一种新的训练方法，采用时间驱动的门控循环单元（T-GRU）和基于注意力的上下文网络，用于改进基于迭代的立体匹配，并在多个公共基准上实现了有竞争力的性能。在 Scene Flow 数据集中，我们的模型排名第一，与竞争方法相比，改善了超过 7％，而且只需 8 次迭代即可实现最先进的结果。

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

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

本文提出了使用分组相关来构建成本体积，并改进了三维堆叠沙漏网络，以用于立体匹配的深度感知，通过实验证明在 Scene Flow、KITI 2012 和 KITTI 2015 数据集上，该方法优于之前的方法。

Mar, 2019

本研究提出了一种基于多个视差图来检查一致性的方法，以识别并过滤伪深度图中的错误，无需真实值（GT）和训练过程，并通过消除立体匹配易受攻击的错误区域，如无纹理区域、遮挡边界和反射表面，取得了比以往方法更好的实验结果。

Jan, 2024

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

提出了一种基于立体图像和深度图像的新方法，用于产生训练数据，以用于学习置信度测量，以提高异常值去除和在立体视觉中的质量改进。该方法可在完全自动化方式下生成大量的训练数据，并且在 KITTI2012 数据集上得到了证明。

Apr, 2016

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