CVPRJun, 2022

RGB - 多光谱匹配：数据集、学习方法、评估

PDF
TL;DR本研究旨在解决颜色图像和多光谱图像之间分辨率差异大的问题，提出了一种深度学习架构，并利用自监督学习以及 RGB-RGB 匹配任务的知识来实现跨模态匹配。通过在室内环境下拍摄 13 个场景的图像对，并标注了 34 个具有高分辨率标签的图像对，通过实验证明该方法在使用深度学习进行该任务时性能表现良好。
color image registrationmulti-spectral image registrationdeep learningself-supervised learningstereo matching
发现论文，激发创造
  • 多光谱立体视频在线互相前景分割

    本文提出了一种同时解决多光谱分割和立体匹配的方法，通过使用多光谱相机以提供多样的数据、使用迭代过程估计另一个问题的标签结果、使用能量函数进行处理以及使用高阶项来提高时间上的一致性。

    Sep, 2018

  • 匹配空间立体网络用于跨领域泛化

    本文提出一种名为 Matching-Space Networks (MS-Nets) 的新型网络结构，通过从 RGB 值中提取学习特征转而利用 Matching Space 的匹配函数和置信度测量来实现图像的立体匹配，避免过度专门化到特定领域的特征，达到了更好的泛化性能和准确率表现。

    Oct, 2020

  • 基于深度学习的立体稠密匹配数据集转移评估

    从 LiDAR 和图像直接生成地面实况视差图以产生大量且多样化的数据集，并通过 LiDAR 与图像间的配准细化方法来避免精度损失和处理遮挡，从而实现了在不同数据集中评估 11 种密集匹配方法，其中 GANet 在相同的训练和测试数据上表现最佳，而 PSMNet 在不同数据集上表现稳健，并提出了在有限数据集上进行训练的最佳策略。

    Feb, 2024

  • 多光谱图像拼接基于空间图推理

    利用图卷积网络模型与多光谱图像融合技术，实现了在不同视角下对多光谱图像进行对齐和集成，生成广角视场的稳定性高、可靠性强的场景。

    Jul, 2023

  • BlendedMVS：用于广义多视图立体网络的大规模数据集

    本研究介绍了 BlendedMVS，一个新颖的数据集，用于为基于学习的 Multi-View Stereo（MVS）提供足够的训练样本，从而提高训练模型的泛化能力。对于创建这个数据集，我们使用 3D 重建管道从精选的场景图像中恢复高质量的纹理网格，然后将这些网格模型渲染为彩色图像和深度地图。

    Nov, 2019

  • GAMUS：一种适用于遥感数据的几何感知多模态语义分割基准测试

    本文提出一种基于 RGB-Height 数据的遥感多模态语义分割新基准数据集，包含大规模数据集，认真评测已有的方法并提出一种新的 Transformer-based 中间多模态融合 (TIMF) 模块来适应令人满意的语义分割性能。

    May, 2023

  • 语义跨视图匹配

    本研究提出了一种自动检测和表示 RGB 图像语义信息的方法，以实现与非 RGB 地理信息系统（GIS）进行跨视图匹配，利用由语义概念（如交通标志、湖泊、道路、植被等）分配的图像分割区域进行描述符的设计和匹配。实验证明此方法有效。

    Oct, 2015

  • 跨域多模态 RGB-D 场景识别

    本文提出了一种自适应景观识别方法，该方法使用 RGB 和深度图像之间的自监督转换，以解决多模态数据集之间的领域转移问题，并证明其在不同相机采集的数据之间具有很强的泛化能力。

    Mar, 2021

  • PST900: RGB-Thermal 校准、数据集和分割网络

    本文提出在语义分割中使用基于学习的技术并支持长波红外成像 (LWIR) 技术，解决了 RGB - 热成像相机校准和数据集问题并比较表明使用我们的方法可以获得最佳的结果。

    Sep, 2019

  • 从单张图片学习立体视觉

    该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。

    Aug, 2020