ICCVJul, 2023

基于不确定性引导的自适应弯曲算法实现鲁棒且高效的立体匹配

PDF
TL;DR通过引入新的不确定性引导自适应相关性 (UGAC) 模块，本文提出一种动态计算相关性以实现鲁棒立体匹配的新视角。通过适应性调整采样区域和学习参数，UGAC 模块使得立体匹配能够更加鲁棒和高效地进行。实验证明，在 ETH3D、KITTI 和 Middlebury 数据集上，即使在没有任何再训练过程的情况下，采用相同的固定模型，我们的方法也能够实现最先进的性能。此外，为了针对实时应用，我们还设计了一个基于 UGAC 的轻量级模型，在只有 0.6 M 参数的情况下，在 KITTI 基准上也胜过其他方法。
correlation based stereo matchinguncertainty guided adaptive correlationrobust stereo matchingrecurrent networkreal-time applications
发现论文，激发创造
  • 矫正迭代视差用于立体匹配

    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

  • 基于不确定性感知的鲁棒性循环一致性

    本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

    Oct, 2021

  • 通过级联循环适应性相关网络实现实用立体匹配

    本研究利用卷积神经网络等技术，提出一套创新方案解决智能手机等消费级设备拍摄的真实图像对中，提取深度信息的问题，并在 Middlebury 和 ETH3D 基准测试上表现出高准确性和高质量的细节。

    Mar, 2022

  • 组相关立体网络

    本文提出了使用分组相关来构建成本体积，并改进了三维堆叠沙漏网络，以用于立体匹配的深度感知，通过实验证明在 Scene Flow、KITI 2012 和 KITTI 2015 数据集上，该方法优于之前的方法。

    Mar, 2019

  • 相关激励：通过引导代价体积激发实时立体匹配

    通过引导代价体增加通道激励以及使用前 k 项选择，本文构建的 CoEx 模型将 3D 卷积与空间变化耦合起来，提高了立体匹配的性能。在 SceneFlow、KITTI 2012 和 KITTI 2015 数据集上的实验结果证明了本模型的有效性和高效性，优于其他速度算法且与其他现有算法具有可比性。

    Aug, 2021

  • 挖掘基于不确定性的伪标签以实现稳健的立体匹配

    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

  • 深度立体匹配自适应单峰代价卷积滤波

    本文提出了一种新的深度学习立体匹配方法，通过在代价体上增加限制和建立局部基于峰值的单峰分布函数，显式地建模不同环境下的匹配不确定性，从而提高了匹配效果。

    Sep, 2019

  • 带权颜色相关性、分层信念传播和遮挡处理的立体匹配

    本研究提出了一种立体匹配算法，在处理视差、不连续性和遮挡时进行了精心处理，通过最小化能量实现全局匹配立体模型，其中包括数据项和平滑项，数据项通过加权相关性进行近似，然后在许多层次环形置信传播算法的应用中，在障碍和低纹理区域得到改进。在中伯利数据集上评估实验结果，结果显示，我们的算法是所有列出的算法中表现最好的。

    Aug, 2017

  • AANet: 用于高效立体匹配的自适应聚合网络

    提出了一种基于稀疏点和神经网络的代价聚合方法，用于加速立体匹配的推理速度，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020

  • 基于不确定性梯度匹配的模型合并

    通过对不同数据集进行训练的模型进行带权平均化可以提高其性能，但为什么会有效以及何时可能失败？我们通过梯度不匹配将带权平均的不准确性联系起来，并提出了一种基于不确定性的新方案，通过减少不匹配来改善性能。这种联系还揭示了其他方案（如平均化、任务算术和 Fisher 加权平均）中的隐含假设。我们的新方法对大型语言模型和视觉转换器在性能和对超参数的稳健性方面都有一致的改进。

    Oct, 2023