CVPRApr, 2023

显著性感知立体视频重定标

PDF
TL;DR提出了一种基于深度学习的无监督立体视频重定向网络，使用 1D 卷积平移显著对象并使用立体视频 Transformer 辅助重定向过程，在 KITTI 立体 2012 和 2015 数据集上进行了广泛的定量和定性实验，相比现有的最先进方法，取得了更高的有效性。
stereo video retargetingdeep learningunsupervised learning1d convolutionparallax attention
发现论文，激发创造
  • 用于立体视频超分辨率的新数据集和变压器

    本研究提出了一种新的基于 Transformer 模型的立体视频超分辨率方法，利用空间 - 时间卷积自注意力和光流特征对立体一致性和帧序一致性进行处理，使用视差注意机制融合立体视点，对新收集的 SVSR-Set 数据集进行了广泛实验，取得了与最新方法相媲美的结果。

    Apr, 2022

  • DynamicStereo：来自立体视频的一致动态深度

    本文提出了一种新颖的基于 Transformer 的 DynamicStereo 结构来解决从双目摄像机中重构动态场景的问题，并介绍了 Dynamic Replica 数据集来提供更贴近实际应用的训练和评估数据。

    May, 2023

  • 快速混合图像调整

    本论文提出了一种基于内容感知裁剪的图像重塑方法，该方法通过生成源图像的重要性映射并使用语义分割和显著性检测模型计算初步扭曲网格，然后结合扭曲度量以确保最小变形，并使用内容感知裁剪算法生成新的目标图像，通过 RetargetMe 基准测试的用户研究分析表明我们的方法在执行时间的一小部分内胜过了其他现有的方法。

    Mar, 2022

  • 基于傅里叶卷积的内容感知图像缩放的监督深度学习

    本文介绍了一种新的用于图像重塑任务的监督学习方法，解决了深度学习模型需要大量标记数据的问题，并提出了一种生成不同尺寸图像的新方法。比较不同的图像重塑方法并计算了图像质量评估分数，证明了本方法的高质量。

    Jun, 2023

  • 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

  • 立体神经风格迁移

    本文介绍了第一种尝试进行立体神经风格转移的方法，该方法通过在非遮挡区域强制进行双向差异约束，使用新的差异损失将风格损失函数整合起来，通过联合训练风格化子网络和差异子网络提出了第一个前向网络，并将其扩展到立体视频，同时考虑时间相干性和差异一致性，该方法在定量和定性上明显优于基线算法。

    Feb, 2018

  • 学习如何为立体感应适应

    介绍了一种 “学习适应” 框架，可以让基于深度学习的立体视觉方法以一种无监督的方式不断适应新的目标领域，从而适用于现实世界的应用，例如自动驾驶。

    Apr, 2019

  • Recycle-GAN: 无监督视频重定向

    该论文介绍了一种数据驱动的无监督视频重定向方法，它可以将一个领域的内容转化为另一个领域的内容，并保留原本领域的风格和特性，它将空间和时间信息与对抗损失相结合，用于内容转换和风格保护，尤其适用于时空转换等应用。

    Aug, 2018

  • 动态场景深度预测的 Web 立体视频监督

    利用全数据驱动的方法计算深度，通过对非刚性场景开发一种新数据集，其中包括大量的非刚性对象，特别是人，提出了一种损失函数进行深度预测，评估方法并表明该方法对自然场景具有更好的泛化能力。

    Apr, 2019

  • 边缘感知一致性立体视频深度估计

    通过使用双目输入，引进左右一致性损失函数，并提出一种保存边缘特征的损失函数来改善测试时训练中的深度模糊问题，提出了一种稠密的双目视频深度估计方法，调研结果表明该模型精度可靠。

    May, 2023