本文提出了一种基于无监督视差图分割的道路损伤检测算法，该算法使用 Otus 方法对变换后的视差图进行分割，并可提取受损道路区域，实验结果表明该算法在像素级道路损伤检测方面的准确率达到了 97.56%。

Oct, 2019

本篇论文介绍了一种精确可靠且计算效率高的路面坑洞检测算法，该算法基于非常密集的视差图，利用双黄金分割搜索和动态规划来估计转换参数，然后通过二次曲面拟合表征提取潜在未受损路面区域，通过随机抽样共识算法减少异常点带来的干扰，最后利用重建的三维路面模型提取检测的路面坑洞点云。实验结果表明，该方法的成功检测率约为 98.7％，整体精度约为 99.6％。

Aug, 2019

本文提出了一种高计算效率、稳健性强的新型密集亚像素视差估计算法，通过将目标帧的透视视图变换为基准视图，在保证匹配精度的同时提高了处理速度。此外，还介绍了一种新的基于马尔可夫随机场和快速双边立体的视差全局细化方法，能够进一步提高估计视差图的精度。实验结果表明，重建的绝对误差在 0.1 至 3 毫米之间。

Jul, 2018

本文介绍了一种嵌入在无人机上的稳健立体视觉系统，可以实时准确地评估道路表面的状况，从而支持道路交通的安全。通过改进视角变换和使用双边滤波器来过滤生成的代价体积，以及最小化能量函数，通过单独检测受损道路区域，降低了算法的计算复杂度。

Apr, 2019

提出一种基于视差转换算法的关注聚合框架和训练集增强技术，用于改善道路坑洞检测的语义分割网络，实验结果表明其性能优于现有的单模态和数据融合网络。

Aug, 2020

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

本文提出了一种基于立体视觉的方法，通过对立体图像数据上的离散度空间进行统计假设检验，评估独立局部贴片上的自由空间和障碍假设，能可靠地检测 moving vehicle 上的小障碍物，不依赖于全局道路模型，在对象和像素级别上优于所有考虑的基线，成功检测高达 5 厘米高的小障碍物，并可在 20m 的距离下实现低误报率。

Sep, 2016

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。

Jul, 2018

本文提出了一种改进的运动结构法（SfM）算法，该算法考虑了无论 Rolling Shutter（RS）的影响，都能够估计两个连续帧的相对姿态，并给出了用于复原 Rolling Shutter 相机的相对姿态的 9 点算法，使用该算法的图像矫正可产生高质量的全局快门（GS）图像和 3D 重建结果。

Mar, 2019

本研究提出了一种高性能和可调谐的立体视差估计方法，其关键是通过半稠密重建的快速深度验证步骤，通过迭代逼近场景深度，构建由立体形象生成的多面平坦网格。该方法的简单性和速度以及可调谐的重建质量和运行时性能使其成为高速车辆应用的一个引人注目的解决方案。

Nov, 2015