ResDepth: 学习残差三维重建

Jan, 2020

ResDepth: Learned Residual Stereo Reconstruction

Corinne Stucker, Konrad Schindler

TL;DR使用深度学习的残差学习方法来提高立体重建质量，并可用于卫星图像等领域。在 ETH3D 基准和卫星图像领域，平均绝对误差降低了 50% 以上。

Abstract

We propose an embarrassingly simple but very effective scheme for high-quality dense stereo reconstruction: (i) generate an approximate reconstruction with your favourite stereo matcher; (ii) rewarp the input images with that approximate model; (iii) with the initial reconstruction and

stereo reconstruction deep learning residual learning satellite imaging eth3d benchmark

发现论文，激发创造

利用传统立体知识学习单目深度估计

本文介绍了一种基于单目深度估计的新型深度学习架构 - monoResMatch, 通过理论证明和严谨的实验，该架构通过合成不同视点的特征进行立体匹配，综合利用了代理监督信息，并且在自我监督方法上对无需昂贵的深度标签，取得了准确的单目深度估计成果。

Apr, 2019

具有自我改进能力的自监督学习用于立体匹配

本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

Sep, 2017

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

使用全卷积残差网络进行更深的深度预测

采用残差学习和反 Huber loss，提出了一种全卷积结构的模型，可通过单个 RGB 图像估计场景深度图，优于当前所有深度估计方法，且无需后处理技术，能够实时运行。

Jun, 2016

级联残差学习：一种用于立体匹配的两阶段卷积神经网络

本文提出了一种级联卷积神经网络，它深度学习处理立体成像时产生的不适定区域难点，通过残差学习技术实现了高精度的视差图生成，达到了极佳的匹配效果。

Aug, 2017

深度立体回归几何和上下文的端到端学习

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

从单张图片学习立体视觉

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

实时自适应深度立体匹配

通过采用 Modularly ADaptive Network (MADNet) 和 Modular ADaptation (MAD) 算法，本文提出了一种具有实时自适应功能的深度立体系统，能够在异构数据集上实现卓越的性能表现。

Oct, 2018

NeRF-Supervised 深度立体

使用神经渲染技术构建的数据集来训练深度立体网络，使其能够预测锐利且详细的视差图，并在 Middlebury 数据集上优于现有的自监督方法。

Mar, 2023

基于残差估计的视频立体匹配的灵活递归网络

基于残差估计的递归结构网络 RecSM 用于视频立体匹配，通过计算当前帧与前一帧之间的残差值，仅利用时间上下文作为参考，快速计算当前帧的位移，同时使用 DOM 和 TAM 模块进一步减少估计误差，堆叠式计算结构 (SCS) 实现可扩展性。实验结果表明，RecSM 在一块 NVIDIA RTX 2080TI GPU 上运行 0.054 秒，相比 ACVNet 提高了 4 倍的速度，准确度仅下降 0.7%。

Jun, 2024