该论文通过使用卷积神经网络预测图像之间匹配的好坏，进而计算立体匹配代价，再通过交叉基准代价聚合、半全局匹配和左右一致性检查（LRC）来消除遮挡区域中的错误，从而获得了较低的误差率。该方法在 KITTI 立体数据集上达到了 2.61％的误差率，并且是该数据集上目前（2014 年 8 月）表现最好的方法。

Sep, 2014

本研究基于卷积神经网络为计算视差匹配的成本聚合，并针对 KITTI2012、KITTI2015 和 Middlebury 立体数据集对该方法进行了验证，结果表明其在所有三个数据集上优于其他方法。

Oct, 2015

本文提出了一种基于神经网络的方法，将双目摄像机的立体匹配与双像素传感器的立体匹配相结合，以实现精准的景深图像，避免了前人研究中存在的模糊和匹配错误等问题，该方法对计算机摄影应用具有重要意义。

Mar, 2020

本文介绍了一种实时生成精准视差图的方法，在保持精度的同时可以根据计算资源的需求自动调整。该方法的参数数量较少且可用于资源受限的设备。

Oct, 2018

该研究提出了两种轻量级的立体视觉模型，采用 2D 和 3D 卷积进行编解码。研究表明，这两种模型有效地减少了计算开销，同时保持了准确性。

Aug, 2021

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

提出了一种使用卷积神经网络（CNN）从立体图像估计深度，利用预测的深度图进行体积融合，进而恢复场景的三维重建方法，该方法采用了新的深度细化架构，实现了先进成本滤波架构成本的近半降低，采用风暴池架构进行特征提取，该方法在多个基准数据集上均取得了领先的成果。

Apr, 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

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

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