CVPRJul, 2020

深度立体视觉的持续适应

PDF
TL;DR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。
depth estimationstereo imagesconvolutional neural networkscontinual adaptationdense disparity regression
发现论文，激发创造
  • 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

  • 学习如何为立体感应适应

    介绍了一种 “学习适应” 框架，可以让基于深度学习的立体视觉方法以一种无监督的方式不断适应新的目标领域，从而适用于现实世界的应用，例如自动驾驶。

    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

  • Zoom and Learn: 将深度立体匹配推广到新领域

    本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

    Mar, 2018

  • 结构光系统中用于动态场景的在线自适应视差估计

    深度神经网络在单目结构光系统中的密集视差估计方面取得了显著进展，但在未知环境中应用时性能显著下降。为了解决这个问题，提出了自监督在线适应作为解决方案来弥合这种性能差距。本文提出了一种基于长序列输入的无监督损失函数，确保更好的梯度方向和更快的收敛。我们的损失函数是使用多帧模式流设计的，该流由序列中的投影模式的一组稀疏轨迹组成。我们使用基于滤波器的方法估计稀疏伪地面真实性，它引导了在线适应过程。我们提出的框架显著提高了在线适应速度，并在未知数据上取得了卓越的性能。

    Oct, 2023

  • AdaStereo：一种简单高效的自适应立体匹配方法

    提出了一种名为 AdaStereo 的领域自适应立体匹配网络，通过颜色传输、代价规范化和无监督的遮挡感知重建等多种方法实现多层次特征对齐和跨领域匹配，取得了 KITTI、Middlebury、ETH3D 和 DrivingStereo 等多个基准数据集上的最新成果。

    Apr, 2020

  • 通过级联循环适应性相关网络实现实用立体匹配

    本研究利用卷积神经网络等技术，提出一套创新方案解决智能手机等消费级设备拍摄的真实图像对中，提取深度信息的问题，并在 Middlebury 和 ETH3D 基准测试上表现出高准确性和高质量的细节。

    Mar, 2022

  • 图像深度预测的无监督领域适应

    本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

    Sep, 2019

  • 可复用的持续立体匹配架构增长

    通过可持续学习和架构增长，我们提出了一种可重复使用的架构增长（RAG）框架，用于连续立体匹配和动态场景适应性，实现了在各种天气、道路和城市环境中的出色表现，并超越了最难的跨数据集设置的最新方法。

    Mar, 2024

  • 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