CVPRApr, 2019

GA-Net: 引导连接网络实现端到端立体匹配

PDF
TL;DR在立体匹配任务中，匹配成本聚合对于准确估计视差在传统方法和深度神经网络模型中都非常重要。本文提出了两个新颖的神经网络层，旨在分别捕捉本地和整个图像成本依赖关系。实验表明，具有两个引导聚合块的网路轻松超越具有十九个 3D 卷积层的 GC-Net 的最新技术水平。我们还训练了一个深度引导聚合网络（GA-Net），其在 Scene Flow 数据集和 KITTI 基准测试上比最先进的方法更准确。
发现论文，激发创造
  • AANet: 用于高效立体匹配的自适应聚合网络

    提出了一种基于稀疏点和神经网络的代价聚合方法，用于加速立体匹配的推理速度，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020

  • 具显式成本聚合子结构的深度立体匹配

    本研究以深度学习的 cost aggregation 理论为基础，提出了使用两路神经网络进行视差匹配的方法，并在 KITTI 和 Scene Flow 等数据集上进行全面实验。实验表明，本方法在性能上胜过了目前的最先进方法。

    Jan, 2018

  • 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

  • AGG-Net：基于注意力引导的门控卷积网络用于深度图像补全

    基于轻型 RGBD 相机的立体视觉在各个领域中被广泛应用，本文提出了一种基于注意力引导门卷积网络（AGG-Net）的深度图像补全新模型，通过从原始深度图和相应的 RGB 图像中获取更准确可靠的深度图，实验结果表明我们的方法在流行的评估基准 NYU-Depth V2，DIML 和 SUN RGB-D 上优于现有方法。

    Sep, 2023

  • SSGA-Net: 逐步空间全局本地聚合网络用于自动驾驶

    我们提出了一种分阶段空间全局 - 局部聚合网络，用于解决快速运动或多个姿势引起的特征退化问题，并提高在在线应用中的效率。

    May, 2024

  • 利用后期成本聚合提升多视图立体匹配

    基于学习的多视点立体匹配，我们提出了一种晚期聚合方法，通过整个网络前馈过程对成对成本进行聚合，实现准确的估计，并且仅对普通 CasMVSNet 进行微小改变，从而使后续的深度网络充分利用关键的几何线索。

    Jan, 2024

  • 引导式立体匹配

    本论文提出了一种新的导向立体匹配方法，利用来自外部源的少量稀疏但可靠的深度测量来提高现有深度学习模型在处理新环境时的准确性和鲁棒性，并证明此方法适用于传统的立体匹配算法，并且即使只输入少量稀疏数据，对现有模型的性能也有显著提升。

    May, 2019

  • AGL-NET：具有不同尺度的航地跨模态全局定位

    通过利用 LiDAR 点云和卫星地图，AGL-NET 提出了一种新的基于学习的全球定位方法，解决了图像和点云数据之间的表征差异以及全局视图和局部视图之间的尺度差异的关键挑战。AGL-NET 采用一种统一的网络架构，通过创新的两阶段匹配设计来提取信息化的神经特征，并引入了新颖的尺度对齐步骤来校正 LiDAR 和地图数据之间的尺度变化，进一步通过新颖的尺度和骨骼损失函数指导网络学习尺度不变的特征表征，从而消除了预处理卫星地图的需要，显著提高了在未知地图尺度情况下的实际应用性。为了促进严格的性能评估，我们在 CARLA 模拟器中引入了一个精心设计的数据集，专门用于度量定位训练和评估。代码和数据集将公开提供。

    Apr, 2024

  • 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

  • 立体匹配网络的双边网格学习

    这篇论文研究了双目匹配网络的实时性能，提出了一种基于 Edge-preserving Cost Volume Upsampling Module 的方法，在不影响准确度的情况下可将计算速度提高数倍，并通过 KITTI 双目数据集实验证明了该模型的优越性。

    Jan, 2021