Apr, 2019

利用有条件代价体积标准化的立体匹配网络融合 3D LiDAR 和立体视觉

PDF
TL;DR提出了一种利用 LiDAR 和立体相机实现深度感知的方法，该方法基于立体匹配神经网络，引入输入融合和条件成本体积规范化技术，实现了两种传感器信息的有效融合，实验结果表明，该方法在多个融合策略中表现优异，而且在计算时间和模型大小方面增加的开销较小。
发现论文，激发创造
  • CFNet: 基于级联和融合代价体积的鲁棒立体匹配

    该论文提出了一种基于级联和融合代价体的深度学习模型 CFNet，以解决大规模标注数据集的深度立体匹配模型的泛化能力问题，通过融合多个低分辨率的密集代价体以及逐步缩小视差搜索空间的方式，建立起一套定量的不确定性估计体系，实现了对跨数据集间的泛化匹配能力的优化。

    Apr, 2021

  • 基于 CNN 的代价体积分析作为稠密匹配的置信度量

    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

  • FusionDepth: 用代价体积补充自监督单目深度估计

    本篇论文提出了一个基于多帧深度估计的框架，使用连续的多帧约束不断优化单目深度估计，利用贝叶斯融合层进行多帧深度估计的迭代，同时不需要深度监督训练。实验结果表明，该方法在 KITTI 基准测试中，相较于单个帧或多个帧的无监督方法，取得了更好的性能。

    May, 2023

  • 体积传播网络：基于双目 - LiDAR 融合的远程深度估计

    本文提出了一种几何感知的立体 - LiDAR 融合网络，通过在三维空间中统一传入稀疏而准确的点云系作为指导进行对应，借鉴 2D 图像领域的语义和 3D 领域的几何关系辅助于点云的特征提取，进而成功的融合了两种不同的输入方式并回归出一个长距离深度图。 该网络可用于 KITTI 和 Virtual-KITTI 数据集的立体 - LiDAR 融合任务中，取得了最先进的性能表现。

    Mar, 2021

  • 使用卷积神经网络计算立体匹配成本

    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

  • StereoDRNet：扩张残差立体网

    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

  • 噪声感知的无监督深度 LiDAR-Stereo 融合

    本文提出了 LidarStereoNet，是第一个可以在端到端的未经监督训练的融合网络，无需地面真实深度图。我们通过引入新颖的 “反馈循环” 来连接网络输入与输出，并进一步将分段平面模型结合到网络学习中，以进一步约束深度与底层 3D 几何形状相一致，从而在现实和合成数据集上表现出显著的优越性，比现有的立体匹配、深度完成和 Lidar-Stereo 融合方法取得了更好的效果。

    Apr, 2019

  • Ghost-Stereo：基于 GhostNet 的立体匹配网络的代价体积增强与聚合

    基于 GhostNet 的 Ghost-Stereo 是一种新颖的端到端立体匹配网络，使用特征增强模块和轻量级聚合模块来提高成本体积质量，从而取得与最先进的实时方法相当的性能，并展现出更好的泛化能力。

    May, 2024

  • 高分辨率多视角立体匹配的级联代价体

    本文提出了一种既节省时间又节省内存的立体成像方法，该方法在几何和语境的渐进细化尺度中构建标准的特征金字塔下的代价体，随着不断增加的代价体分辨率以及深度（或差异）间隙的自适应调整，以较粗糙的方式从粗到细恢复输出。

    Dec, 2019

  • 使用二维卷积处理代价签名的快速深度立体匹配

    本文提出一种基于传统匹配成本的快速深度估计网络，该网络仅使用每个像素和二维卷积操作来总结每个位置的匹配信息，并以低维特征向量的形式生成密集的视差图，在保证准确度的同时，相较于其他算法显著加快了处理速度。

    Mar, 2019