该研究提出了一种可嵌入低功耗 GPU 设备的实时系统，使用 Semi-Global Matching 算法，针对机器人、高级驾驶辅助系统和自主车辆等的需求，在 640x480 的图像大小、128 个视差级别和 4 个路径方向下，以每秒 42 帧的速度生成可靠的视差估计结果。

Oct, 2016

本论文提出了一种新的导向立体匹配方法，利用来自外部源的少量稀疏但可靠的深度测量来提高现有深度学习模型在处理新环境时的准确性和鲁棒性，并证明此方法适用于传统的立体匹配算法，并且即使只输入少量稀疏数据，对现有模型的性能也有显著提升。

May, 2019

研究表明，语义立体匹配比独立任务能更好地了解机器人、自我导航、增强现实等领域的场景理解。本文提出了一种单一的紧凑型和轻量级架构，通过多阶段的自上而下的估算，使得在任何硬件上和任何应用中都可以获得非常快速的推理，并对特定的应用要求进行准确度和速度的权衡。

Oct, 2019

提出了 StereoNet，这是第一个端到端实时立体匹配的深度学习架构，在 NVidia Titan X 上以 60fps 运行，产生高质量，边缘保留且无量化的视差图。 该网络具有超像素匹配精度的关键洞见，比传统立体匹配方法高一个数量级，通过使用低分辨率代价体编码所需的所有信息，从而实现实时性。采用学习的边缘感知上采样函数实现空间精度，并使用 Siamese 网络从左右图像提取特征。在非常低的分辨率代价体中计算视差的初步估计，然后模型通过使用紧凑的像素到像素细化网络的学习上采样函数分层地重新引入高频细节。利用颜色输入作为指南，该函数能够产生高质量的边缘感知输出，并在多个基准测试中取得了显着的结果，演示了所提出的方法在可接受的计算预算下提供了极大的灵活性。

Jul, 2018

基于 GhostNet 的 Ghost-Stereo 是一种新颖的端到端立体匹配网络，使用特征增强模块和轻量级聚合模块来提高成本体积质量，从而取得与最先进的实时方法相当的性能，并展现出更好的泛化能力。

May, 2024

本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

Sep, 2017

本文介绍了一种嵌入在无人机上的稳健立体视觉系统，可以实时准确地评估道路表面的状况，从而支持道路交通的安全。通过改进视角变换和使用双边滤波器来过滤生成的代价体积，以及最小化能量函数，通过单独检测受损道路区域，降低了算法的计算复杂度。

Apr, 2019

本文提出了一种新的深度网络结构 IGEV-Stereo，其利用综合几何编码体来编码几何、上下文信息以及本地匹配细节，通过迭代地索引来更新视差图，同时利用 GEV 来回归卷积 GRU 的精确起点，以加速收敛。IGEV-Stereo 在 KITTI 2015 和 2012（反射）的所有已发布方法中排名第 1，并且是排名前 10 的方法中最快的。此外，IGEV-Stereo 具有强的跨数据集泛化性以及高的推断效率。我们还将我们的 IGEV 扩展到多视角立体（MVS），即 IGEV-MVS，在 DTU 基准测试中实现了竞争性的准确性。

Mar, 2023

实时立体匹配是许多扩展现实（XR）应用的基础算法，本研究介绍了一个包含室内场景的真实视频立体合成数据集，并提出了一种在低功耗设备上实现高准确度实时深度推测的新方法。

Sep, 2023

我们提出了一种端到端的框架，通过逐层搜索相应关系来解决高分辨率图像上的实时立体匹配问题，利用所提出的数据集进行训练和评估并在速度上超过竞争对手 ，能够在低延迟（30 毫秒）内准确预测近距离结构的视差，所提出的层次结构设计可以灵活地平衡性能与速度，用于自动驾驶等时间关键的应用。

Dec, 2019