本文提出了使用卷积神经网络 (CNN) 从三维数据中直接学习置信度估计特征的新方法，将深度学习和代价体特征相结合，通过对三个数据集上的三种常见密集立体匹配技术进行广泛评估，证明了该方法的广泛性和最先进的准确性。

May, 2019

本文提出了一种新的深度学习立体匹配方法，通过在代价体上增加限制和建立局部基于峰值的单峰分布函数，显式地建模不同环境下的匹配不确定性，从而提高了匹配效果。

Sep, 2019

本文提出了一种既节省时间又节省内存的立体成像方法，该方法在几何和语境的渐进细化尺度中构建标准的特征金字塔下的代价体，随着不断增加的代价体分辨率以及深度（或差异）间隙的自适应调整，以较粗糙的方式从粗到细恢复输出。

Dec, 2019

该论文提出了一种基于级联和融合代价体的深度学习模型 CFNet，以解决大规模标注数据集的深度立体匹配模型的泛化能力问题，通过融合多个低分辨率的密集代价体以及逐步缩小视差搜索空间的方式，建立起一套定量的不确定性估计体系，实现了对跨数据集间的泛化匹配能力的优化。

Apr, 2021

Double Cost Volume Stereo Matching Network (DCVSMNet) 是一种新颖的架构，具有两个小型的上部（分组）和下部（规范相关）成本体积。每个成本体积分别处理，并提出了一种耦合模块来融合从上部和下部成本体积中提取的几何信息。DCVSMNet 是一种快速的立体匹配网络，推理时间为 67 毫秒，具有强大的泛化能力，与最先进的方法相比，可以产生具有竞争力的结果。在几个基准数据集上的结果显示，DCVSMNet 在较大推理时间成本的情况下实现了比 CGI-Stereo 和 BGNet 等方法更好的准确性。

Feb, 2024

我们提出了一种新的立体置信度测量方法，通过使用成本体积的替代输入模式选择，尤其适用于安全关键系统，以测量各种立体匹配网络的外部立体置信度。

Jan, 2024

该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。

Aug, 2020

基于学习的方法在动态对象的立体视频中优化单个立体对的有力表现，但存在时间上的不一致性。本文提出了一种双向对齐机制和一个新的框架 BiDAStereo，通过局部匹配和全局聚合的方式实现了一致的动态立体匹配，从而在多个常用基准测试中展示了预测质量的提高和最先进的结果。

Mar, 2024

本研究提出了一种用于减少计算负担和对大规模景观适用的轻量级花费体积平均群组相似性度量以及基于此有效的花费体积表示的级联 3D U-Net 模块，并将多视角深度推断重新转换为反深度回归任务，旨在提升深度推断的可扩展性和准确性，在 DTU 数据集和 Tanks and Temples 数据集上实现了方差的估计和最优性能的状态。

Dec, 2019

本论文提出了一种新的导向立体匹配方法，利用来自外部源的少量稀疏但可靠的深度测量来提高现有深度学习模型在处理新环境时的准确性和鲁棒性，并证明此方法适用于传统的立体匹配算法，并且即使只输入少量稀疏数据，对现有模型的性能也有显著提升。

May, 2019