CVPRApr, 2021

SMD-Nets：立体混合密度网络

PDF
TL;DR该篇论文提出了一种基于双峰混合密度的立体深度估计网络 SMD-Net，在处理立体边界和高分辨率输出方面表现出很高的精度，并将立体深度估计转化为在图像域中的连续问题，从而模型可以在任意空间精度上查询视差，经实验证明，在 8Mpx 分辨率的箱子上，在标准 GPU 上预测出超高分辨率的视差图。
stereo mixture density networksdisparity estimationdeep learningimage domainbimodal mixture densities
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

  • 深度立体视觉的持续适应

    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。

    Jul, 2020

  • StereoNet: 实时边缘感知深度预测的引导分层细化

    提出了 StereoNet，这是第一个端到端实时立体匹配的深度学习架构，在 NVidia Titan X 上以 60fps 运行，产生高质量，边缘保留且无量化的视差图。 该网络具有超像素匹配精度的关键洞见，比传统立体匹配方法高一个数量级，通过使用低分辨率代价体编码所需的所有信息，从而实现实时性。采用学习的边缘感知上采样函数实现空间精度，并使用 Siamese 网络从左右图像提取特征。在非常低的分辨率代价体中计算视差的初步估计，然后模型通过使用紧凑的像素到像素细化网络的学习上采样函数分层地重新引入高频细节。利用颜色输入作为指南，该函数能够产生高质量的边缘感知输出，并在多个基准测试中取得了显着的结果，演示了所提出的方法在可接受的计算预算下提供了极大的灵活性。

    Jul, 2018

  • 实用的深度视差技术 (PDS)：面向应用友好的深度视差匹配

    提出了实用深层立体 (PDS) 网络，使用瓶颈模块和新的子像素交叉熵损失和 MAP 估计器，使其具有更小的内存占用，可处理更大的图像，且不需要重新训练就可适用于任何视差范围，从而在 FlyingThings3D 和 KITTI 数据集上取得了优越性能。

    Jun, 2018

  • MobileStereoNet：面向立体匹配的轻量级深度神经网络

    该研究提出了两种轻量级的立体视觉模型，采用 2D 和 3D 卷积进行编解码。研究表明，这两种模型有效地减少了计算开销，同时保持了准确性。

    Aug, 2021

  • 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

  • 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

  • Du$^2$Net: 双摄像头和双像素深度估计模型学习

    本文提出了一种基于神经网络的方法，将双目摄像机的立体匹配与双像素传感器的立体匹配相结合，以实现精准的景深图像，避免了前人研究中存在的模糊和匹配错误等问题，该方法对计算机摄影应用具有重要意义。

    Mar, 2020

  • 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

  • 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