Oct, 2020

匹配空间立体网络用于跨领域泛化

PDF
TL;DR本文提出一种名为 Matching-Space Networks (MS-Nets) 的新型网络结构，通过从 RGB 值中提取学习特征转而利用 Matching Space 的匹配函数和置信度测量来实现图像的立体匹配，避免过度专门化到特定领域的特征，达到了更好的泛化性能和准确率表现。
end-to-end deep networksstereo matchingmatching-space networksgeneralizationunseen environments
发现论文，激发创造
  • 域不变立体匹配网络

    本文提出了设计域不变的立体匹配网络的方法，其中使用了新颖的 “域标准化” 方法以及可训练的基于非局部图滤波器的方法，使网络能够在新的场景中泛化，并在实验中得到了显著提高。

    Nov, 2019

  • DeepSim-Nets: 用于立体图像匹配的深度相似度网络

    本文提出了三种多尺度相似性学习结构，使用对比损失函数学习像素级匹配，实现对场景几何形态的无关性。基于深度学习，通过学习与分配匹配像素对，建立了混合和端到端方法之间的平衡。同时，文章还探讨了如何通过样本挖掘提高预测相似度的整体稳健性和较好的性能表现，并在航空和卫星数据集上进行了实验，结果表明 DeepSim 网络优于混合方法和端到端方法，并且更好地适用于未见过的场景几何形态。该灵活的体系结构可以轻松地应用于标准的多分辨率图像匹配管道。

    Apr, 2023

  • 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

  • 从立体匹配的视角重温深度完成问题以实现跨域泛化

    该论文提出了一个新的深度补全框架，它能够抵御领域转移问题，通过处理虚拟模式投影范例获得的虚构立体对，利用现代立体网络的概括能力来面对深度补全。任何立体网络或传统立体匹配器都可以无缝插入到我们的框架中，从而实现对未来立体领域的先进性。通过对跨领域概括的详尽实验支持我们的观点。因此，我们认为我们的框架能够帮助深度补全达到新的实施场景。

    Dec, 2023

  • GraftNet: 基于广谱和任务取向特征的领域通用立体匹配

    利用大规模数据集训练的模型特征，采用余弦相似度为基础的代价体积作为桥梁，将特征嫁接到一个普通的代价聚合模块，以此来解决领域转化带来的一般化能力不足。通过将嫁接特征输入到一个浅层网络进行变换计算代价，从而恢复更多的任务 - specific 信息，大量实验表明，这种宽光谱和任务定向的特征可以显著提高模型的泛化能力。

    Apr, 2022

  • RGB - 多光谱匹配：数据集、学习方法、评估

    本研究旨在解决颜色图像和多光谱图像之间分辨率差异大的问题，提出了一种深度学习架构，并利用自监督学习以及 RGB-RGB 匹配任务的知识来实现跨模态匹配。通过在室内环境下拍摄 13 个场景的图像对，并标注了 34 个具有高分辨率标签的图像对，通过实验证明该方法在使用深度学习进行该任务时性能表现良好。

    Jun, 2022

  • 通过广义相似度度量和特征学习进行跨领域视觉匹配

    本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

    May, 2016

  • 基于特征一致性的领域通用立体匹配网络再探

    提出一种针对立体匹配网络中特征一致性维护的方法，通过像素级对比学习、特征保白和特征一致性损失函数等手段，实现模型在未知领域的泛化能力提升，并在合成数据经过训练后在四个真实测试集上实现比多种现有技术更好的性能。

    Mar, 2022

  • S$^3$M-Net: 自主驾驶中语义分割与立体匹配的联合学习

    本文介绍了一种新的联合学习框架 S^3M-Net，用于同时进行语义分割和立体匹配，通过特征共享和融合来提高整体场景理解能力，通过最小化语义一致性引导损失来训练整个联合学习框架，在 vKITTI2 和 KITTI 数据集上进行实验，证明了该框架的有效性和超越其他单任务网络的性能。

    Jan, 2024

  • StereoGAN: 聚合域翻译和立体匹配的联合优化来桥接从合成到真实领域的差距

    本研究提出了一种端到端的域翻译和立体匹配网络训练框架，通过引入双向多尺度特征重投影损失和相关性一致性损失等两个新颖的损失函数来提高合成立体图像到真实图像的转换效果以及维护单应约束，实验证明进行域翻译和立体匹配网络联合优化能够有效地解决合成数据集所引入的领域偏差问题，从而实现更准确的立体匹配。

    May, 2020