Jan, 2021

深度学习时代的立体匹配置信度：定量评估

PDF
TL;DR本文回顾了十多年来用于立体匹配置信度估计的算法和策略，并评估了现有的置信度估计方法，包括手工设计的和最新的基于学习的方法，在五个标准数据集上进行实验，并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较，旨在提供该领域的全面概述，并突出了基于学习的方法的优势和局限性。
stereo matchingdepth mapsdisparityconfidence estimationlearning-based methods
发现论文，激发创造
  • 基于双目视觉的深度估计深度学习技术综述

    该研究综述了基于深度学习的立体视觉对图像深度估计的应用，总结了该领域的常见流程、优缺点并探讨了未来可能的方向。

    Jun, 2020

  • 立体自适应置信度估计

    本文提出了一种灵活且轻量化的解决方案，该方案可实现自适应置信度估计，具备与任何立体系统（包括未公开视觉感知方法的消费和工业设备）的无缝集成性，并且可以在现场进行开箱即用的部署，通过使用计算机视觉和自监督学习等技术，该方案能够在输入立体对和输出视差映射的最小信息下进行学习和测量置信度度量。实验证明，该方案是首个为任何立体系统实现在线学习准确置信度估计而不需要对最终用户提出任何要求的方案。

    Aug, 2020

  • 使用可能性理论的立体匹配中的鲁棒置信区间

    我们提出了一种方法，用于在立体匹配问题中估计视差置信区间。置信区间提供了与常规置信度量互补的信息。据我们所知，这是第一种基于代价体积创建视差置信区间的方法。该方法依赖于可能性分布来解释代价体积的认知不确定性。我们的方法具有白盒特性，在这方面与当前最先进的深度神经网络方法不同。使用 Middlebury 立体数据集以及卫星图像数据集验证了置信区间的准确性和大小。此贡献在 GitHub 上免费提供。

    Apr, 2024

  • 机器学习与双目立体视觉在图像深度估计方面的协同作用：一项综述

    本文综述了基于学习的单目和双目图像深度估计的最新研究，强调了立体匹配、机器学习和深度学习之间的协同作用、迄今为止取得的成功以及社区将在不久的将来面临的挑战。

    Apr, 2020

  • 引导式立体匹配

    本论文提出了一种新的导向立体匹配方法，利用来自外部源的少量稀疏但可靠的深度测量来提高现有深度学习模型在处理新环境时的准确性和鲁棒性，并证明此方法适用于传统的立体匹配算法，并且即使只输入少量稀疏数据，对现有模型的性能也有显著提升。

    May, 2019

  • 基于 CNN 的代价体积分析作为稠密匹配的置信度量

    本文提出了使用卷积神经网络 (CNN) 从三维数据中直接学习置信度估计特征的新方法，将深度学习和代价体特征相结合，通过对三个数据集上的三种常见密集立体匹配技术进行广泛评估，证明了该方法的广泛性和最先进的准确性。

    May, 2019

  • 多视差一致性过滤的引导式单目深度估计的立体匹配知识

    本研究提出了一种基于多个视差图来检查一致性的方法，以识别并过滤伪深度图中的错误，无需真实值（GT）和训练过程，并通过消除立体匹配易受攻击的错误区域，如无纹理区域、遮挡边界和反射表面，取得了比以往方法更好的实验结果。

    Jan, 2024

  • 通过视差平面搜索，从端到端立体匹配网络中模拟立体置信度

    我们提出了一种新的立体置信度测量方法，通过使用成本体积的替代输入模式选择，尤其适用于安全关键系统，以测量各种立体匹配网络的外部立体置信度。

    Jan, 2024

  • 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

  • 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