本文提出了使用分组相关来构建成本体积，并改进了三维堆叠沙漏网络，以用于立体匹配的深度感知，通过实验证明在 Scene Flow、KITI 2012 和 KITTI 2015 数据集上，该方法优于之前的方法。

Mar, 2019

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

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

本研究提出了一种用于减少计算负担和对大规模景观适用的轻量级花费体积平均群组相似性度量以及基于此有效的花费体积表示的级联 3D U-Net 模块，并将多视角深度推断重新转换为反深度回归任务，旨在提升深度推断的可扩展性和准确性，在 DTU 数据集和 Tanks and Temples 数据集上实现了方差的估计和最优性能的状态。

Dec, 2019

本文提出了一种新的深度网络结构 IGEV-Stereo，其利用综合几何编码体来编码几何、上下文信息以及本地匹配细节，通过迭代地索引来更新视差图，同时利用 GEV 来回归卷积 GRU 的精确起点，以加速收敛。IGEV-Stereo 在 KITTI 2015 和 2012（反射）的所有已发布方法中排名第 1，并且是排名前 10 的方法中最快的。此外，IGEV-Stereo 具有强的跨数据集泛化性以及高的推断效率。我们还将我们的 IGEV 扩展到多视角立体（MVS），即 IGEV-MVS，在 DTU 基准测试中实现了竞争性的准确性。

Mar, 2023

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

通过引入新的不确定性引导自适应相关性 (UGAC) 模块，本文提出一种动态计算相关性以实现鲁棒立体匹配的新视角。通过适应性调整采样区域和学习参数，UGAC 模块使得立体匹配能够更加鲁棒和高效地进行。实验证明，在 ETH3D、KITTI 和 Middlebury 数据集上，即使在没有任何再训练过程的情况下，采用相同的固定模型，我们的方法也能够实现最先进的性能。此外，为了针对实时应用，我们还设计了一个基于 UGAC 的轻量级模型，在只有 0.6 M 参数的情况下，在 KITTI 基准上也胜过其他方法。

Jul, 2023

本论文提出了一种新颖的代价体积构建方法，其通过生成来自相关线索的注意力权重来抑制冗余信息并增强匹配相关信息，并且还设计了一种基于 ACV 的高精度网络（ACVNet），在多个基准测试上都取得了最先进的性能。

Mar, 2022

该文提出了一种基于深度学习的新型架构，用于处理立体图像的视差回归问题，通过代价体积和不同 iable sof argmin 算法来进行图像处理，并在 KITTI 数据集上创造了新的最佳性能结果。

Mar, 2017

本研究基于深度立体匹配中使用的 3D 卷积学习 3D 成本体积和流形成本之间的映射关系，旨在提出一种新的算法，该算法绕过了需要构建 5D 特征体积的要求。具体而言，本研究提出解耦 2D 位移之间的关系，并在每个 2D 位移假设上独立地应用 2D 卷积匹配网络来学习 4D 成本体积，从而实现了独立于位移的成本学习。最后，我们采用 2D soft-argmin 层将成本体积投影到光流估计中。

Oct, 2020