本文提出了一种分解模型来解决在分辨率提高时计算成本（时间和内存成本）过高的立体匹配问题，该模型仅在很低的分辨率下运行密集匹配，使用不同的高分辨率下的稀疏匹配来逐步恢复失去细节的视差，并通过一个有遮挡感知掩码迭代地融合相邻尺度上的稀疏和密集视差图，同时应用细化网络来改善融合结果，相比高性能方法如 PSMNet 和 GANet，我们的方法在获得可比较的视差估计结果时提高了 $10 - 100 imes$ 的速度。

Apr, 2021

本文提出了一种新的基于几何学的距离分解方法，将物体的距离分解成最具代表性和稳定性的变量，即物理高度和在图像平面上的投影视高度，通过对距离分解，实现了 3D 边界框的直接预测，并在 KITTI 数据集上表现出最先进的性能。

Apr, 2021

本文提出了一种基于 Homography Decomposition Networks（HDN）的新方法，通过将单个参数空间分解成两个组来稳定计算条件数，它包括了相似变换估计器，卷积等变网络，简单回归模型来实现残差变换，用半监督方式训练，实验证明，在 POT、UCSB 和 POIC 数据集上，比当前最先进的平面跟踪方法表现优异。

Dec, 2021

本文提出了一种通过基于分层块匹配的帧内预测模块学习压缩动态点云（DPC）几何信息的压缩框架，并且在 KNN-attention 块匹配和多尺度光流的压缩方面使用了完全分解的深度熵模型。实验表明该框架优于先前的最先进方法，同时也优于 MPEG 标准 V-PCC v18 在帧间低延迟模式下的效果。

May, 2023

本论文提出了一种实用的建立图像间稠密一一对应的方法，利用像素的上下文信息估计本地尺度，并使用三种方法在整个图像中保持比例不变特征提取，有效地解决了局部尺度不同的问题，实现了不同图像之间的准确的稠密对应，且计算成本较小。

Jun, 2014

本文提出了一种利用 Volumetric Probability Distribution 及 Markov chain 的深度估计任务多步分布逼近过程的方法，并在 MVS 和 SSC 方面取得了最新的研究成果。

Jun, 2023

本文提出了一种基于 transformer 架构的 Hierarchically Decoupled Matching Network（HDMNet）用于 few-shot 语义分割任务。该网络利用自注意力机制来建立层次化的密集特征并使用匹配模块降低过拟合，引入来自粗分辨率的语义对应的相关性传递，以提高细粒度的分割。在实验中该方法表现良好，在 COCO 数据集上的 1-shot 和 5-shot 分割分别达到了 50.0% 和 56.0% 的 mIoU。

Mar, 2023

本文提出了一种框架，该框架明确提取双层描述符和检测器，并与之进行粗糙到精细的匹配，以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。

May, 2023

提出了一种自监督方法，可以从单目视频中联合学习 3D 运动和深度。通过利用深度和运动网络相互协作来准确建模现实场景的几何和动态，进而改进了深度估计和 3D 动作估计的性能。

Mar, 2024

我们提出了一种端到端的框架，通过逐层搜索相应关系来解决高分辨率图像上的实时立体匹配问题，利用所提出的数据集进行训练和评估并在速度上超过竞争对手 ，能够在低延迟（30 毫秒）内准确预测近距离结构的视差，所提出的层次结构设计可以灵活地平衡性能与速度，用于自动驾驶等时间关键的应用。

Dec, 2019