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
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
通过非参数深度分布建模构建成本体积,避免错误检测。同时,我们使用稀疏成本聚合网络推导每个体积中的信息。在 DTU 和坦克与神殿这两个基准数据集上广泛评估我们的方法,实验结果表明,我们的模型以显着优势胜过现有方法,并在边界区域实现卓越性能。
May, 2022
本研究基于深度立体匹配中使用的 3D 卷积学习 3D 成本体积和流形成本之间的映射关系,旨在提出一种新的算法,该算法绕过了需要构建 5D 特征体积的要求。具体而言,本研究提出解耦 2D 位移之间的关系,并在每个 2D 位移假设上独立地应用 2D 卷积匹配网络来学习 4D 成本体积,从而实现了独立于位移的成本学习。最后,我们采用 2D soft-argmin 层将成本体积投影到光流估计中。
Oct, 2020
该文提出了一种基于深度学习的新型架构,用于处理立体图像的视差回归问题,通过代价体积和不同 iable sof argmin 算法来进行图像处理,并在 KITTI 数据集上创造了新的最佳性能结果。
Mar, 2017
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
通过将扩散模型应用于立体匹配,本研究提出了一种名为 DiffuVolume 的方法,通过过滤成本体积以提高性能。
Aug, 2023
基于成本体积的不确定性估计(UEC)方法利用图像对中的成本体积的丰富相似性信息,以低计算成本实现了竞争性的性能,并且提出了两种不确定性辅助视差估计方法,UDR 和 UDC,优化了迭代方法的视差更新过程,并且通过视差矫正损失显著提高了精度,最终提出了 DR-Stereo,一种高性能的立体架构。实验结果表明 DR-Stereo 在视差估计性能上具有很强的竞争力。
Jun, 2024
本文介绍了一种利用基于学习的方法和传统智慧生成匹配体积,以提高立体匹配准确性的方法。作者使用随机森林分类器将来自双向匹配过程的不同证据融合在一起,证明了该方法的准确性与纯数据驱动替代方案相当,并且能够更好地应用于未见过的数据。
Apr, 2018
本文提出了一种基于成本体积的神经网络,可以从多视图图像中进行深度推断,在构建成本体积金字塔的过程中,通过从粗到细的方式代替固定分辨率的方式,使得网络结构更紧凑轻量,并允许我们推断高分辨率深度图以获得更好的重建结果。