CVPRMar, 2022

考虑遮挡的光场深度估计成本构造器

PDF
TL;DR本研究提出了一个简单且高效构造光场深度估计匹配成本的方法，通过一系列具有特定设计膨胀率的卷积构成成本构造器，能够在不使用任何移位操作的情况下，将预定义视差下的像素进行整合匹配并处理遮挡情况，所提方法在光场深度估计的深度网络建模中取得了较好的表现。
发现论文，激发创造
  • 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

  • 准确光流估计的位移不变匹配代价学习

    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

  • 基于遮挡感知的四维光场深度非监督学习

    提出一种基于无监督学习的深度估计方法，通过探索角度的一致性和权重平滑性，实现在真实场景数据下进行更高精度的深度估计。

    Jun, 2021

  • 光场下基于遮挡模型的反遮挡深度估计

    本文中，我们探索了轻场中的多遮挡模型，并得出了空间和角度空间之间的遮挡一致性，这被用作选择每个候选遮挡点的未遮挡视图的指导。接着我们建立了一个反遮挡能量函数来规范深度图。公共轻场数据集上的实验结果证明了所提出算法相对于其他现有的轻场深度估计算法的优势，特别是在多遮挡区域。

    Aug, 2016

  • 用半全局匹配实现快速光场深度估计

    本研究旨在开发一种简单快速的算法，用于准确深度计算，我们提出了一种采用 Semi-Global Matching 的方法来处理光场图像，该方法基于在光场空间内使用不同度量标准比较像素对应关系，证明了该方法适用于各种光场配置并能够快速生产出正确结果。

    Jul, 2019

  • 使用卷积神经网络计算立体匹配成本

    该论文通过使用卷积神经网络预测图像之间匹配的好坏，进而计算立体匹配代价，再通过交叉基准代价聚合、半全局匹配和左右一致性检查（LRC）来消除遮挡区域中的错误，从而获得了较低的误差率。该方法在 KITTI 立体数据集上达到了 2.61％的误差率，并且是该数据集上目前（2014 年 8 月）表现最好的方法。

    Sep, 2014

  • 基于迭代遮挡感知的四维几何线索光场深度估计

    基于非学习的优化方法，该论文提出了一种新的方法，通过明确考虑光场的 4D 几何模型，来利用 4D 几何信息进行深度估计，实验结果表明，该方法在表面法线角度精度方面优于现有的学习和非学习的方法，在平面表面上的平均中位角误差比现有方法低 26.3％，在均方误差 ×100 和 Badpix 0.07 方面与现有方法具有竞争力。

    Mar, 2024

  • 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

  • 使用二维卷积处理代价签名的快速深度立体匹配

    本文提出一种基于传统匹配成本的快速深度估计网络，该网络仅使用每个像素和二维卷积操作来总结每个位置的匹配信息，并以低维特征向量的形式生成密集的视差图，在保证准确度的同时，相较于其他算法显著加快了处理速度。

    Mar, 2019

  • 深度立体匹配网络的本地相似度模式和代价自重组

    本文提出了两种方案来解决卷积神经网络立体匹配的问题。第一种方案是使用局部相似度模式 (LSP) 的成对特征作为卷积特征 (CF) 的补充，以更具区分性的特征描述。第二种方案是设计动态自组装细化策略，用于成本分布和视差图的细化，从而显著提高了建模的性能。

    Dec, 2021