Apr, 2019

AMNet: 深层空洞多尺度立体视差估计网络

PDF
TL;DR本文提出了一种新的深度学习架构 ——Atrous Multiscale Network（AMNet）用于立体视差估计，AMNet 采用了有效的特征提取器，并且能够在深度特征上部署新的立体匹配代价，其提出了堆叠式 Atrous Multiscale 网络来聚合来自代价体积的丰富多尺度语境信息，可在多种尺度上高精度地估计视差。此外，本文提出了一种迭代式多任务学习方法来训练前景 - 背景感知 Atrous Multiscale 网络（FBA-AMNet），并且表明 AMNet 和 FBA-AMNet 在具有挑战性的 Middlebury，KITTI 2012，KITTI 2015 和 Sceneflow 立体视差估计基准测试中具有高精度的视差估计。
deep learningstereo disparity estimationmultiscale networkcontextual informationforeground-background aware network
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

  • 单图像去噪的多尺度自适应网络

    本文提出了一种基于多尺度自适应网络的单张图像去噪方法 (MSANet), 它同时考虑了尺度间的互补性和尺度内部的特征，并提出了自适应特征块 (AFeB), 自适应多尺度块 (AMB) 和自适应融合块 (AFuB) 进行实现，并在多组图片去噪实验中展现出比传统方法更好的表现。

    Mar, 2022

  • FADNet：一种用于视差估计的快速准确网络

    FADNet 是一种高效准确的深度学习网络用于计算机视觉中的视差估计，采用 2D 基础相关层与残差结构来提高预测精度， 并通过多尺度预测技术实现多尺度权重调度来提高准确性，无需 3D 模型耗费更多的计算资源。

    Mar, 2020

  • UAMD-Net: 一种用于稠密深度补全的统一自适应多模态神经网络

    提出了一种新的多模态神经网络 UAMD-Net，通过融合双目立体匹配和稀疏点云的弱约束进行深度完善，并使用新的训练策略 Modal-dropout 使得网络能够适应多种模态输入条件，该方法在 KITTI 深度完善基准测试中的实验表明其能够产生鲁棒的结果，并优于其他最先进的方法。

    Apr, 2022

  • CT-MVSNet: 交叉尺度变换的高效多视角立体视觉

    本文提出了一种新颖的跨尺度变换器来处理不同阶段的特征表示，同时引入了自适应匹配感知变换器、双特征引导聚合和特征度量损失等方法，以提高深度估计的准确性。实验证明，这种方法在 DTU 数据集和 Tanks and Temples 基准测试中取得了最先进的结果。

    Dec, 2023

  • MVSNet: 不规则多视图立体的深度推断

    本文提出了一种用于计算多视图深度图的端到端深度学习框架 (MVSNet)，首先提取深度视觉图像特征，然后利用不同 iable homography 变形构建 3D 成本体积，并使用 3D 卷积对初始深度图进行规则化和回归，最终与参考图像相结合生成最终输出，其通过引入基于方差的成本度量来适应任意 N-view 输入， 其表现优于现有同类方法并能很好地泛化于室内室外数据。

    Apr, 2018

  • 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

  • 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

  • AMSA-UNet：一种基于自注意力的非对称多尺度 U-Net 用于去模糊

    提出了一种基于自注意力的不对称多尺度 U 型网络（AMSA-UNet）来提高去模糊的准确性和计算复杂度，通过引入多尺度 U 形结构，在全局层面关注模糊区域，在局部层面更好地恢复图像细节；在解码器部分引入自注意力机制，显著增加了模型的感受野，使其对图像的语义信息更加关注，从而产生更准确和视觉上令人愉悦的去模糊图像；同时，引入了基于频域的计算方法来减少计算量。实验证明，与八种优秀方法相比，所提出的方法在准确性和速度方面都有显著提升。

    Jun, 2024

  • AA-RMVSNet：自适应聚合循环多视图立体网络

    本文介绍了一种利用长短时记忆的新型递归多视角立体视觉网络，该网络基于自适应聚合，并提出了协同作用的自适应聚合模块，有效改善了局部细节和大低纹理表面的性能，并且在各种数据集上取得了出色的表现。

    Aug, 2021