实时自适应深度立体匹配

CVPROct, 2018

Real-time self-adaptive deep stereo

Alessio Tonioni, Fabio Tosi, Matteo Poggi, Stefano Mattoccia, Luigi Di Stefano

TL;DR通过采用 Modularly ADaptive Network (MADNet) 和 Modular ADaptation (MAD) 算法，本文提出了一种具有实时自适应功能的深度立体系统，能够在异构数据集上实现卓越的性能表现。

Abstract

Deep convolutional neural networks trained end-to-end are the state-of-the-art methods to regress dense disparity maps from stereo pairs. These models, however, suffer from a notable decrease in accuracy when exp

convolutional neural networks disparity maps deep stereo network unsupervised learning real-time system

发现论文，激发创造

深度立体视觉的持续适应

提出一种 Modularly ADaptive Network (MADNet) 架构和 Modular ADaptation (MAD, MAD ++) 算法设计，实现在不同环境下对深度估计进行实时自适应的端到端架构，无需与输入图像不同的数据源。

Jul, 2020

学习如何为立体感应适应

介绍了一种 “学习适应” 框架，可以让基于深度学习的立体视觉方法以一种无监督的方式不断适应新的目标领域，从而适用于现实世界的应用，例如自动驾驶。

Apr, 2019

具有自我改进能力的自监督学习用于立体匹配

本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

Sep, 2017

Zoom and Learn: 将深度立体匹配推广到新领域

本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

Mar, 2018

AdaStereo：一种简单高效的自适应立体匹配方法

提出了一种名为 AdaStereo 的领域自适应立体匹配网络，通过颜色传输、代价规范化和无监督的遮挡感知重建等多种方法实现多层次特征对齐和跨领域匹配，取得了 KITTI、Middlebury、ETH3D 和 DrivingStereo 等多个基准数据集上的最新成果。

Apr, 2020

ActiveStereoNet: 面向主动立体视觉系统的端到端自监督学习

本文介绍了 ActiveStereoNet，这是一种针对主动立体系统的深度学习解决方案，它是完全自监督的，使用新颖的重构损失函数，具有较强的噪声鲁棒性和纹理特征稳健性，能够处理遮挡等场景并取得了令人信服的结果。

Jul, 2018

结构光系统中用于动态场景的在线自适应视差估计

深度神经网络在单目结构光系统中的密集视差估计方面取得了显著进展，但在未知环境中应用时性能显著下降。为了解决这个问题，提出了自监督在线适应作为解决方案来弥合这种性能差距。本文提出了一种基于长序列输入的无监督损失函数，确保更好的梯度方向和更快的收敛。我们的损失函数是使用多帧模式流设计的，该流由序列中的投影模式的一组稀疏轨迹组成。我们使用基于滤波器的方法估计稀疏伪地面真实性，它引导了在线适应过程。我们提出的框架显著提高了在线适应速度，并在未知数据上取得了卓越的性能。

Oct, 2023

从单张图片学习立体视觉

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

图像深度预测的无监督领域适应

本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

Sep, 2019

StereoNet: 实时边缘感知深度预测的引导分层细化

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