Dec, 2020

融合距离和立体数据用于高分辨率场景建模

PDF
TL;DR本文采用最大后验概率方法将低分辨率深度数据与高分辨率立体数据相结合，通过层次求解一系列局部能量最小化问题来产生深度图。通过新的相关函数、自适应成本聚合步骤以及基于场景纹理和摄像机几何的自适应融合方法，提出了一种精度更高的种子生长方法，避免了传播错误视差的倾向。该方法是高效的，可在标准台式计算机上以 3 FPS 的速度运行，并通过与现有方法的定量比较和实际深度 - 立体数据集的定性比较，证明了其强大的性能。
range-stereo fusiondepth mapsenergy minimizationcost aggregationadaptive fusion
发现论文，激发创造
  • 利用稀疏深度测量与立体匹配融合实时稠密深度估计

    本研究提出了一种深度估计方法，利用来自双目立体视觉和稀疏激光雷达或深度相机的测量信息。通过融合各传感器的优势，即精确但稀疏的测量信息和模糊但密集的立体信息，并采用各向异性扩散和半全局匹配技术进行有效地融合。该方法在 KITTI 2015 和 Middlebury 2014 数据集上评估，表现显著，而且使用 PMDTec Monstar 传感器提供了定量结果。

    Sep, 2018

  • 基于 TOF-Stereo 融合的高分辨深度图

    通过 TOF - 立体相机配对的数据融合方法，提出了一种通过种子生长算法和 Bayesian 模型相结合的方法，以更高的分辨率提供精确的深度图，用于导航和其他机器人应用。

    Jul, 2021

  • 高分辨率图像上的分层深度立体匹配

    我们提出了一种端到端的框架，通过逐层搜索相应关系来解决高分辨率图像上的实时立体匹配问题，利用所提出的数据集进行训练和评估并在速度上超过竞争对手 ，能够在低延迟（30 毫秒）内准确预测近距离结构的视差，所提出的层次结构设计可以灵活地平衡性能与速度，用于自动驾驶等时间关键的应用。

    Dec, 2019

  • 使用置信度预测的多视角优先级立体深度图生成

    本文提出了一种新的多视图立体（MVS）深度图计算优先级方法，该优先级方法在 MVS 算法执行之前进行两步操作，包括寻找匹配伙伴并根据观测质量对结果进行排名，另外还使用了一种基于机器学习的信心预测器，能够对图像星座的质量进行评估，并提出一种优先级方法来构建稳固的三维重建基础，实验表明使用该方法能够在文化遗产保护和建造重建领域中达到更好的重建质量。

    Mar, 2018

  • 学习的语义多传感器深度图融合

    通过神经网络重建，将基于截断有符号距离函数的三维重建方法从多个方面进行了推广，包括语义信息的丰富、多传感器数据融合、场景去噪与完整以及专家系统整合。

    Sep, 2019

  • 高分辨率多视角卫星图像自动 3D 恢复

    本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

    May, 2019

  • MFuseNet：学习多视角融合的鲁棒深度估计

    本研究提出了一种基于多视角视觉系统的方法， 使用低成本单目 RGB 相机获得准确的深度估计， 通过多张水平或垂直对齐的图像并利用新的启发式方法和鲁棒学习方法来融合多个代价体之间的数据以提高深度估计的性能，实验结果表明该方法优于传统的二帧立体匹配方法。

    Aug, 2021

  • 深度图超分辨率的多尺度渐进融合学习

    本研究提出一种多尺度渐进融合网络方法来处理深度图像的超分辨率问题，该方法采用异态结构用于整合不同领域的层次特征，并引入多维损失函数来约束明确的边界和细节，大量实验证明该方法在定性和定量方面均产生了优于最先进方法的改进结果。

    Nov, 2020

  • 重新思考视差：基于视差的深度范围无关多视角立体匹配

    本文提出一种基于视差流和图像 2D 成本体构建的多视图立体视觉方法 - DispMVS，该方法对深度范围无敏感性且使用 GPU 内存更少，具有良好的多视角一致性和匹配效果。

    Nov, 2022

  • 基于密集亚像素视差图估计的道路表面三维重建

    本文提出了一种高计算效率、稳健性强的新型密集亚像素视差估计算法，通过将目标帧的透视视图变换为基准视图，在保证匹配精度的同时提高了处理速度。此外，还介绍了一种新的基于马尔可夫随机场和快速双边立体的视差全局细化方法，能够进一步提高估计视差图的精度。实验结果表明，重建的绝对误差在 0.1 至 3 毫米之间。

    Jul, 2018