本文提出了一种新的自适应多模交叉熵损失函数，以促进网络为边缘和非边缘像素生成不同的分布模式，并优化推理阶段的视差估计器来减轻边缘处的伪影和对齐偏差，提高了经典立体匹配模型的性能。其中 GANet 在 KITTI 2015 和 2012 基准上排名第一，并且在四个流行的真实世界数据集上展现出优秀的跨域泛化能力。

Jun, 2023

基于不确定性估计的稳健立体匹配算法通过适应性调整离散搜索空间来平衡视差分布，借助基于不确定性的伪标签方法解决有限标签数据的限制，并在多领域、迁移学习和联合泛化上取得了强大的性能，在 Robust Vision Challenge 2020 的立体任务中获得第一名。此外，基于不确定性的伪标签方法还可用于无监督方式训练单眼深度估计网络，并且与监督方法相当性能。

Jul, 2023

本研究引入了一种新的神经网络架构和基于 Wasserstein 距离的损失函数，能够输出任意深度值以及有效地解决 3D 对象检测中物体边界的模糊问题，实现了自动驾驶中 3D 对象检测的最新技术成果。

Jul, 2020

该论文提出了一种新的相对深度估计方法，通过对深度分布进行概率分布的估计来提高估计的准确性，并提出了 Distributional Loss 来训练模型，可以输出标准差的置信度估计，该方法在度量深度估计上有较好的表现。

Oct, 2020

通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性，以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务，并在包括大规模车辆运动预测任务的多个数据集上进行评估，通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。

Dec, 2022

本研究提出了一种基于多个视差图来检查一致性的方法，以识别并过滤伪深度图中的错误，无需真实值（GT）和训练过程，并通过消除立体匹配易受攻击的错误区域，如无纹理区域、遮挡边界和反射表面，取得了比以往方法更好的实验结果。

Jan, 2024

本文提出了一种基于学习的方法来去噪和优化所给定的立体方法的视差图。该方法通过资源一个由联合视差、颜色和置信度图像空间中的变分能量定义的近端梯度方法的迭代来自然生成。我们的方法允许学习鲁棒的协作正则化器，利用颜色图像、置信度图和视差图的联合统计信息。由于我们的方法是变分结构的，因此可以轻松可视化单个步骤，从而实现可解释性。因此，我们可以提供如何优化和去噪视差图的有趣见解。我们的方法的效率得到了公开可用的 Middlebury 2014 和 Kitti 2015 立体基准测试的证明。

Jul, 2019

基于成本体积的不确定性估计（UEC）方法利用图像对中的成本体积的丰富相似性信息，以低计算成本实现了竞争性的性能，并且提出了两种不确定性辅助视差估计方法，UDR 和 UDC，优化了迭代方法的视差更新过程，并且通过视差矫正损失显著提高了精度，最终提出了 DR-Stereo，一种高性能的立体架构。实验结果表明 DR-Stereo 在视差估计性能上具有很强的竞争力。

Jun, 2024

本文提出了基于不确定性驱动的深度补全方法，采用 Jeffrey's prior 作为鲁棒深度补全的明确不确定性公式，同时结合参数化不确定性驱动损失函数进行预测并进行像素性的自适应预测，实现高峰值信噪比、均方误差和归一化均方误差等关键指标上的表现的提升，并利用多尺度联合预测模型提取出深度和不确定度，并利用估计的不确定度进行像素级高不确定度的预测，从而实现深度筛选优化。

Dec, 2021

本文提出了一种基于深度神经网络的后验不确定性估计方法，通过辅助损失函数的梯度来估计不确定性，避免依赖于地面真实信息的损失定义，可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果，并且模型和代码都可以在该链接公开获取。

Aug, 2022