ECCVJul, 2018

SegStereo：利用语义信息进行视差估计

PDF
TL;DR本研究提出了一种利用语义线索修正传统视差计算算法预测的方法，通过语义特征嵌入和语义 loss 正则化优化来提高学习视差的效果，并在 SegStereo 模型中整合了自分割中获取的语义特征和引入语义 softmax loss 以提高视差图像预测准确性，同时在无监督和有监督训练方式下都取得了业界领先的 KITTI 立体视觉 benchmark 和较为优秀的 CityScapes、FlyingThings3D 数据集上的预测结果。
disparity estimationbinocular stereo imagessemantic cuessegstereostate-of-the-art results
发现论文，激发创造
  • DispSegNet: 借助语义实现从立体影像端到端的视差估计学习

    本文提出了一种用于改善深度估计的 CNN 体系结构，该体系结合语义分割任务。所提出的模型是使用无监督方法进行训练的，并采用双目摄像系统的图像对。实验表明，使用语义分割的嵌入可以提高深度估计的性能

    Sep, 2018

  • 几何与语义相遇：半监督单目深度估计

    通过利用语义标记的图像和通过图像变形获得的无监督信号来联合学习语义分割和深度估计，提出了一种半监督的深度估计方法，结果表明在 KITTI 数据集上超过了单目深度估计的先进方法。

    Oct, 2018

  • 偶然卫星图像的语义立体视觉

    通过语义场景分割来提供强大的正则化先验以解决立体对应和重建问题的不确定性，利用无意卫星图像进行成对语义立体和多视角语义三维重建的研究已经成为可能。

    Nov, 2018

  • 使用视差图进行几何感知的实例分割

    利用双目摄像机的传感器融合提高室外图像的对象分割，通过几何信息的利用，可以区分重叠的同类或异类物体，并抑制虚假检测，该方法的融合过程基于面罩评分，采用伪激光雷达和基于图像的表示进行 2D、2.5D 和 3D ROI 上的面罩回归。通过使用具有更高分辨率、更长基线和焦距的 High-Quality Driving Stereo（HQDS）数据集，我们的性能达到了最新的技术水平。

    Jun, 2020

  • 通过提炼特征对应关系进行无监督的语义分割

    STEGO 是一种新的自监督特征提取框架，通过使用对比损失函数来加强特征聚类的紧凑性，并在 CocoStuff 和 Cityscapes 语义分割挑战中显著优于其他算法。

    Mar, 2022

  • 实时语义立体匹配

    研究表明，语义立体匹配比独立任务能更好地了解机器人、自我导航、增强现实等领域的场景理解。本文提出了一种单一的紧凑型和轻量级架构，通过多阶段的自上而下的估算，使得在任何硬件上和任何应用中都可以获得非常快速的推理，并对特定的应用要求进行准确度和速度的权衡。

    Oct, 2019

  • 语义跨视图匹配

    本研究提出了一种自动检测和表示 RGB 图像语义信息的方法，以实现与非 RGB 地理信息系统（GIS）进行跨视图匹配，利用由语义概念（如交通标志、湖泊、道路、植被等）分配的图像分割区域进行描述符的设计和匹配。实验证明此方法有效。

    Oct, 2015

  • EdgeStereo：用于立体匹配和边缘检测的有效多任务学习网络

    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

  • 深度立体回归几何和上下文的端到端学习

    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

  • 通过学习综合技术实现非监管交叉光谱立体匹配

    本文提出了一种以图像转换为基础的无监督跨光谱立体匹配框架，利用风格适应网络和视图重建损失解决了不同光谱波段图像之间的外观差异问题，提高了立体匹配的稳健性。

    Mar, 2019