该研究提出了一种适用于光流和立体匹配的分层离散分布分解（HD^3）框架，通过分层地分解完整的匹配密度并估计每个层次上的局部匹配分布，最终组合得到全局匹配密度。尽管方法简单，但在光流和立体匹配的对比试验中取得了最优的效果，并发现估计的不确定性是预测对应的可靠度的很好指标。

Dec, 2018

提出了一种基于稀疏点和神经网络的代价聚合方法，用于加速立体匹配的推理速度，并在 KITTI 数据集上取得了有竞争力的结果。

Apr, 2020

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

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

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。

Dec, 2020

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

本论文提出了一种新颖的方法，通过整合隐式立体信息辨别器和混合降质模型来弥补现实世界立体域中复杂降质与现实世界单幅图像超分辨率领域中简单降质之间的差异，确保有效增强并保持视差一致性。

Dec, 2023

本研究提出了一种基于无监督学习的视差匹配方法，通过特征度量一致性而非图像度量一致性来解决不同分辨率图像之间的挑战，并引入了一种自我增强的策略来优化特征提取器，在模拟数据集和真实世界数据集上，取得了优于现有解决方案的表现。

Apr, 2022

本文提出了一种新的多目标跟踪算法 SparseTrack，通过在密集场景中进行稀疏分解，估计目标相对深度，并采用深度级联匹配算法将一个密集目标集转换为多个稀疏目标集，从而提高数据关联的效率，最终在 MOT17 和 MOT20 基准上取得了与最先进方法相当的表现。

Jun, 2023

本研究利用卷积神经网络等技术，提出一套创新方案解决智能手机等消费级设备拍摄的真实图像对中，提取深度信息的问题，并在 Middlebury 和 ETH3D 基准测试上表现出高准确性和高质量的细节。

Mar, 2022