CVPRApr, 2021

CFNet: 基于级联和融合代价体积的鲁棒立体匹配

PDF
TL;DR该论文提出了一种基于级联和融合代价体的深度学习模型 CFNet，以解决大规模标注数据集的深度立体匹配模型的泛化能力问题，通过融合多个低分辨率的密集代价体以及逐步缩小视差搜索空间的方式，建立起一套定量的不确定性估计体系，实现了对跨数据集间的泛化匹配能力的优化。
stereo matchingdeep learningcost volumedomain adaptationdisparity distribution
发现论文，激发创造
  • 深度立体匹配自适应单峰代价卷积滤波

    本文提出了一种新的深度学习立体匹配方法，通过在代价体上增加限制和建立局部基于峰值的单峰分布函数，显式地建模不同环境下的匹配不确定性，从而提高了匹配效果。

    Sep, 2019

  • 高分辨率多视角立体匹配的级联代价体

    本文提出了一种既节省时间又节省内存的立体成像方法，该方法在几何和语境的渐进细化尺度中构建标准的特征金字塔下的代价体，随着不断增加的代价体分辨率以及深度（或差异）间隙的自适应调整，以较粗糙的方式从粗到细恢复输出。

    Dec, 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

  • Ghost-Stereo：基于 GhostNet 的立体匹配网络的代价体积增强与聚合

    基于 GhostNet 的 Ghost-Stereo 是一种新颖的端到端立体匹配网络，使用特征增强模块和轻量级聚合模块来提高成本体积质量，从而取得与最先进的实时方法相当的性能，并展现出更好的泛化能力。

    May, 2024

  • 利用有条件代价体积标准化的立体匹配网络融合 3D LiDAR 和立体视觉

    提出了一种利用 LiDAR 和立体相机实现深度感知的方法，该方法基于立体匹配神经网络，引入输入融合和条件成本体积规范化技术，实现了两种传感器信息的有效融合，实验结果表明，该方法在多个融合策略中表现优异，而且在计算时间和模型大小方面增加的开销较小。

    Apr, 2019

  • 基于代价体金字塔的多视角立体深度推理

    本文提出了一种基于成本体积的神经网络，可以从多视图图像中进行深度推断，在构建成本体积金字塔的过程中，通过从粗到细的方式代替固定分辨率的方式，使得网络结构更紧凑轻量，并允许我们推断高分辨率深度图以获得更好的重建结果。

    Dec, 2019

  • 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

  • PCW-Net：金字塔组合与变形代价体用于立体匹配

    该研究提出了一种名为 PCW-Net 的深度学习模型，它利用代价体积、金字塔结构和图像拉伸等先进技术，在实现跨域泛化的同时提高立体匹配的准确性，其在 KITTI 2012 和 Argoverse 等数据集上取得了最好的性能。

    Jun, 2020

  • OccCasNet：用于光场深度估计的遮挡感知级联代价体积

    本研究提出了一个基于层级累加代价体积和遮挡感知技术的光场深度估计方法，该方法利用相机阵列的子孔径图像对中心图像进行提取深度，同时通过引入遮挡地图来提高深度的估计准确性。实验证明了该方法比同类方法更加精确和高效。

    May, 2023

  • DCVSMNet：双成本体素匹配网络

    Double Cost Volume Stereo Matching Network (DCVSMNet) 是一种新颖的架构，具有两个小型的上部（分组）和下部（规范相关）成本体积。每个成本体积分别处理，并提出了一种耦合模块来融合从上部和下部成本体积中提取的几何信息。DCVSMNet 是一种快速的立体匹配网络，推理时间为 67 毫秒，具有强大的泛化能力，与最先进的方法相比，可以产生具有竞争力的结果。在几个基准数据集上的结果显示，DCVSMNet 在较大推理时间成本的情况下实现了比 CGI-Stereo 和 BGNet 等方法更好的准确性。

    Feb, 2024