Sep, 2020

无监督立体匹配学习的视差注意力

PDF
TL;DR本文提出了一种针对差异变化较大的立体图像场景的通用视差关注机制（ PAM），并结合外极约束和注意力机制，计算沿外极线的特征相似性来捕获立体对应关系。 基于该机制，我们还提出了用于立体匹配和立体图像超分辨率任务的视差关注立体匹配网络（ PASMnet）和立体图像超分辨率网络（ PASSRnet）。 实验结果表明，我们提出的 PAM 是通用的，可以在无监督的情况下有效地学习立体对应关系。 比较结果表明，我们的 PASMnet 和 PASSRnet 实现了当前最先进的性能。
stereo correspondenceepipolar constraintsparallax-attention mechanismstereo matchingimage super-resolution
发现论文，激发创造
  • 学习视差关注用于立体图像超分辨率

    本文提出了一种基于视差注意力机制的立体图像超分辨率网络 (PASSRnet)，该机制通过包含沿极线的全局接受野处理具有大视差差异的不同立体图像，与 Flickr1024 数据集一起使用，通过小的计算和内存成本来提高超分辨率性能，并在 Middlebury、KITTI 2012 和 KITTI 2015 数据集上实现了最先进的性能。

    Mar, 2019

  • 用于立体图像超分辨率的对称视差注意力

    本研究提出了一种利用双目系统对称性线索优化立体图像超分辨率的方法，设计了一个 Siamese 网络和一个对称双向视差注意模块 (biPAM)，并使用几种抗光度损失增强立体一致性，实验结果表明我们的方法性能优越。

    Nov, 2020

  • 金字塔立体匹配网络

    该论文提出了一种新的算法 PSMNet，通过空间金字塔池化模块和三维卷积神经网络来提取全局上下文信息并形成代价体积，通过多层次网络及中间监督来优化代价体积，该算法在 KITTI 2012 和 2015 数据集中的表现也十分优秀。

    Mar, 2018

  • 学习视差变换网络以去除立体图像 JPEG 伪影

    本文提出了一种新的视差变换网络（PTNet），采用对称的双向视差变换模块和基于置信度的交叉视图融合模块，实现了立体图像 JPEG 压缩伪影的去除，采用粗到精的策略对跨视图交互进行优化，实验结果表明 PTNet 的性能优于当前其他先进方法。

    Jul, 2022

  • 立体网络对抗攻击中的左右不一致性

    介绍了一种新颖的对抗攻击方法，通过生成特定设计的扰动噪声，最大化左右图像特征之间的差异，从而在立体神经网络中引起更大的预测误差，并通过代理网络黑盒攻击方法将该方法扩展，消除了对立体神经网络的访问需求，从而使其产生错误预测，这为增强立体视觉系统的稳健性提供了有价值的见解。

    Jan, 2024

  • 使用视差约束并行注意力的立体内窥镜图像超分辨率

    本文提出了基于深度神经网络框架加入视差限制机制的 DCSSRnet 算法，用于提高立体图像对的空间分辨率，实验结果表明该算法在定量和定性评估上优于目前的 SR 方法。

    Mar, 2020

  • 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

  • 准确高效的立体匹配中的注意力串联体积

    本论文提出了一种新颖的代价体积构建方法，其通过生成来自相关线索的注意力权重来抑制冗余信息并增强匹配相关信息，并且还设计了一种基于 ACV 的高精度网络（ACVNet），在多个基准测试上都取得了最先进的性能。

    Mar, 2022

  • 训练卷积神经网络比较图像片段进行立体匹配

    本研究基于卷积神经网络为计算视差匹配的成本聚合，并针对 KITTI2012、KITTI2015 和 Middlebury 立体数据集对该方法进行了验证，结果表明其在所有三个数据集上优于其他方法。

    Oct, 2015

  • 显著性感知立体视频重定标

    提出了一种基于深度学习的无监督立体视频重定向网络，使用 1D 卷积平移显著对象并使用立体视频 Transformer 辅助重定向过程，在 KITTI 立体 2012 和 2015 数据集上进行了广泛的定量和定性实验，相比现有的最先进方法，取得了更高的有效性。

    Apr, 2023