Spring：一个高分辨率、高细节的场景流、光流和立体数据集与基准

CVPRMar, 2023

Spring：一个高分辨率、高细节的场景流、光流和立体数据集与基准

Spring: A High-Resolution High-Detail Dataset and Benchmark for Scene Flow, Optical Flow and Stereo

Lukas Mehl, Jenny Schmalfuss, Azin Jahedi, Yaroslava Nalivayko, Andrés Bruhn

TL;DR该研究介绍了一种基于计算机生成的高分辨率模拟场景的 Spring 基准测试，以评估动态和立体图像的精细结构的质量，提出了新的评估方法基于超分辨率的 UHD Ground Truth，其可以提供更详细的性能统计信息和不同图像区域的精度，结果表明当前的技术对于重现细节具有一定的挑战性。

Abstract

While recent methods for motion and stereo estimation recover an unprecedented amount of details, such highly detailed structures are neither adequately reflected in the data of existing benchmarks nor their evaluation methodology. Hence, we introduce Spring $-$ a large, high-resolutio

motion estimation stereo estimation benchmark evaluation methodology fine structures

发现论文，激发创造

达标游戏

该研究提出了一个基于虚拟世界的视觉感知基准测试套件，通过对超过 250,000 个高分辨率视频帧的低层次和高层次的视觉任务进行全面地注释，并针对多个任务分析了最先进方法的表现，提供参考基线和突出未来研究的挑战。

Sep, 2017

ScopeFlow: 光流的动态场景分层

通过改进训练流程中的采样偏差、优化正则化和数据增强参数，并应用于一个参数较低的体系结构中，使其在 MPI Sintel 和 KITTI 基准测试中的表现均优于同类算法。

Feb, 2020

用于视觉人群分析的光流数据集和基准

介绍了一种新的光流数据集，用于解决人群行为分析领域中光流性能测试数据不足的问题，并提供了实验结果表明现有的光流算法不能有效地适应这种人群的运动及复杂性，该数据集在实际应用中表现出较高的性能。

Nov, 2018

SuperBench：用于科学机器学习的超分辨率基准数据集

SuperBench 是第一个带有高分辨率数据集的基准数据集，包括流体流动、宇宙学和天气数据，旨在验证空间分辨率性能并评估数据退化任务鲁棒性的方法。深度学习为基础的 SR 方法在某些任务上表现出色，但在捕捉微妙的细节和保留科学数据的基本物理属性和约束方面存在局限性，这凸显了将领域知识纳入 ML 模型的重要性和细微差别。

Jun, 2023

脉冲相机的光流估计

介绍了一种基于深度学习的用于估计高速场景下 spiking 相机的光流的流水线，并引入了一种新的输入表示方法以自适应地去除 spike 流中的运动模糊。通过在名为 SPIFT 和 PHM 的场景中合成的光流数据进行训练，该方法显示出对不同高速场景下的 spiking 数据能够有效地预测结果。

Oct, 2021

快速多帧立体场景流与运动分割

本研究提出了一种新的多帧场景流计算方法，包括景深和光流以及相机自运动，同时从移动立体相机中观察动态场景，并将移动对象与固定场景分割开来。该技术在立体匹配和视觉里程计中使用独特的策略，融合移动目标的光流信息和相机基于运动流的信息来提高场景深度和相机自运动估计的精度和效率。

Jul, 2017

Flickr1024：用于立体图像超分辨率的大规模数据集

该研究提出了一个名为 Flickr1024 的大规模立体数据集，由于最近发布的智能手机中双摄像头的普及，越来越多的超分辨率方法被提出来用于增强立体图像对的分辨率，但是高质量三维立体数据集的缺乏限制了该领域的研究。实验表明，与 KITTI 和 Middlebury 数据集相比，Flickr1024 数据集有助于处理过度拟合问题，并显着改进了立体 SR 方法的性能。

Mar, 2019

深度立体视觉的挑战：Booster 数据集

我们提出了一个新颖的高分辨率、充满挑战性的立体数据集，并给出了密集准确的视差地面真值标注。该数据集独特之处在于存在一些具有镜面反射和透明性质的表面，这是当前立体网络失败的主要原因。我们的获取方法采用了一个新颖的深度时空立体框架，可以实现子像素精度的简单准确标注。我们释放了总共 419 个样品，收集自 64 个不同的场景并标注了密集的地面真值视差。每个样本包括一个高分辨率成对图像 (12 Mpx)，以及一个不对称的成对图像 (左边：12 Mpx，右边：1.1 Mpx)。此外，我们提供了手动注释的材质分割掩模和 15K 未标记样本。我们根据我们的数据集评估了最先进的深度网络，强调了它们在解决立体视觉中的开放挑战方面的局限性，并为未来的研究提供了一些线索。

Jun, 2022

OpenStereo：立体匹配与强基线的全面基准

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

SPair-71k：用于语义对应的大规模基准测试数据集

该论文提出一种新的大规模基准数据集 SPair-71k 用于在计算机视觉领域解决语义对应问题，其中包含大量变化视角和尺度的图像，从而为解决语义对应问题提供了可靠的测试基础和促进此领域的进一步发展。

Aug, 2019