宽基线立体学习与制作
提出了一种名为 wide multiple baseline stereo(WxBS)的新问题,它考虑了匹配同时在多于一个图像采集因素方面存在差异的图像,如视角,光照,传感器类型或物体外观变化等,为此引入了一组新的带有地面真实性的数据集,以便评估匹配算法的性能,通过实验表明,WxBS-M 匹配器在新旧数据集上均优于现有的最先进方法。
Apr, 2015
介绍了使用仿射协变检测器结合视图合成来解决极端视角变化问题的宽基线匹配方法,并提出了 Matching On Demand with view Synthesis 算法以在保证几何估计可靠性的前提下尽量减少视图合成带来的速度损失。实验证明该算法在解决超越现有技术问题的同时与标准宽基线匹配器在简单问题上的速度相当。
Jun, 2013
提出了一种新颖的宽基线匹配算法 MODS(Matching On Demand with view Synthesis),通过渐进式使用更加耗时的特征检测器和按需生成合成图像,解决了更广泛范围的宽基线问题,并在多个数据集以及新的具有几何挑战的宽基线问题上得到验证。
Mar, 2015
本文提出了一种基于学习的方法, 通过人体合成数据及采用池化层和数据增强技术,来适应真实数据,并解决了人体宽基线立体重建问题。实验结果表明,该方法在具有挑战性的数据集上得到了较好的宽基线立体重建效果。
Oct, 2019
本文介绍了一个用于本地特征与鲁棒估计算法的全面基准测试,旨在通过相机位姿的准确性作为主要指标。我们的管道模块化结构允许易于集成、配置和组合不同的方法和启发式算法。同时我们展示了如何嵌入数十种流行算法进行评估,进而表明经典算法在适当的设置下可能仍能胜过认为的最前沿机器学习研究。此外,我们实验发现一些意想不到的图像匹配解决方案的性质,这有助于改进它们的性能,无论是算法还是机器学习方法。我们提供了一个易于使用和灵活的框架,用于衡量本地特征与鲁棒估计方法,同时与顶级方法进行比较,构建了一个基础性的图像匹配挑战平台。
Mar, 2020
引入了一个关注实际应用而非仅仅性能提升的全面基准的研究,包括一个灵活高效的立体匹配代码库,通过实验在 SceneFlow 数据集上证明了该代码库的强大性能,并发现了一个简单但有效的基准模型。
Dec, 2023
通过引入轻量级的 “局部匹配 - 全局匹配” 机制,利用 Generalized Various Backbone and Statistical Matching(G-VBSM)方法成功创建了一个包含全面信息的精简数据集,该方法比单一匹配更精确且更有效,能够创建一个具有丰富信息和更好泛化能力的合成数据集。
Nov, 2023
介绍了一种用于单个广角立体图像对的新视角合成的方法,包括 3D 场景重构和外观变化的先验模型,提出了一种多视角变换编码器、图像上的极线采样方案和轻量级交叉注意力渲染器,通过大规模实际数据集的训练,证明了模型学习到了强大的多视角几何先验,大大缩短了渲染时间,并在两个实际数据集上得到了显著的优越性能。
Apr, 2023
我们提出了一个新的数据集,用于学习本地图像描述符,可用于显着改善补丁匹配。此新数据集的训练效果比目前的 Multi-View Stereo (MVS) 数据集更好,并且还提供了补充信息,例如 RGB 补丁、相机参数等。我们使用此数据集训练现有的最先进模型,并在公开基准测试中获得了比 MVS 数据集训练的最先进描述符更好的性能。
Jan, 2018
本文提出了一种利用在线视频数据来学习视角外推的新方法,通过将输入的立体图像对转化为 “多层图像”,再利用深度学习网络来生成视角外推的图像,实现了将狭窄基线的立体图像进行放大的功能。
May, 2018