Aug, 2023

多尺度交替注意力变换器用于广义立体匹配

PDF
TL;DR在本文中，我们提出了一种名为 AAUformer 的简单但高效的网络，通过在双视图和单视图中分别平衡外极线的影响，以实现出色的泛化性能。我们的模型通过引入窗口自注意力和多尺度交替注意力骨干网络，实现了像素级单视图的局部语义特征的解放和难以区分区域的粗细匹配过程，并在各种数据集上进行了比较和消融研究，证明了其在场景流数据集上达到了最先进的效果，并在 KITTI 2015 数据集上具有竞争力的微调性能。此外，在合成和实际数据集上的交叉泛化实验中，我们的模型优于几个最先进的方法。
stereo matching networksepipolar line constraintalternated attention u-shaped transformerwindow self-attentionmulti-scale alternated attention
发现论文，激发创造
  • CT-MVSNet: 交叉尺度变换的高效多视角立体视觉

    本文提出了一种新颖的跨尺度变换器来处理不同阶段的特征表示，同时引入了自适应匹配感知变换器、双特征引导聚合和特征度量损失等方法，以提高深度估计的准确性。实验证明，这种方法在 DTU 数据集和 Tanks and Temples 基准测试中取得了最先进的结果。

    Dec, 2023

  • ParaFormer: 并行注意力变换器用于高效特征匹配

    本论文提出了基于深度学习和两种新型概念 ——ParaFormer 和基于图形的 U-Net 结构，以实现卓越的性能和高效率，通过在各种应用（包括单应性估计、姿态估计和图像匹配）上进行多项实验证明 ParaFormer-U 变体在保证性能同时，计算量仅为现有基于注意力模型的 50%。

    Mar, 2023

  • 基于 Transformer 的深度腹腔镜立体匹配

    本文提出了一种新的混合深度立体匹配框架（HybridStereoNet），使用 Transformer 实现特征表示学习，并结合 CNN 用于代价汇聚，旨在提高立体视觉匹配精度和泛化能力。实验结果表明，与其他选项相比，本文方法收敛更快，准确率更高，能够在 Sceneflow，SCARED2019 和 dVPN 数据集上实现卓越的性能。

    Jul, 2022

  • TransforMatcher: 用于语义对应的匹配 - 匹配注意力

    本文介绍了基于 Transformer 网络的图像语义匹配学习器 TransforMatcher，通过全局匹配 - 匹配注意力和动态细化，利用轻量级注意力架构实现匹配处理和基于多层次特征的多通道相关图的精细化处理，以达到确切的匹配定位和 Semantic Learning 的效果

    May, 2022

  • 统一流场、立体和深度估计

    本文提出了一种统一的模型形式和模型，可以用于光流、矫正立体匹配和从定位图像中估计无校准立体深度。该模型使用 Transformer 中的交叉注意力机制实现判别特征表示，并在允许跨任务转移的同时，在多个数据集上实现或超过现有最新方法的性能。

    Nov, 2022

  • 基于仿射变换的可变形注意力和选择性融合用于半密匹配

    本文提出了基于变换器的半密集匹配方法，引入了基于仿射的局部注意力和选择性融合来模拟跨视图变形，并强调了损失设计中的空间平滑性的重要性，通过这些增强方法，我们的网络在不同设置下表现出很强的匹配能力。

    May, 2024

  • AMatFormer：基于锚点匹配变换器的有效特征匹配

    本文提出了一种新的有效的锚匹配转换器（AMatFormer）用于特征匹配问题，以在一些锚点特征上进行自 / 交叉注意，进而学习所有基本特征的表示，并采用共享的 FFN 模块将两个图像的特征嵌入公共域中，以学习匹配问题的共识特征表示，在几项基准实验中证明了 AMatFormer 匹配方法的有效性和效率。

    May, 2023

  • 快速准确的关键点匹配的高效线性注意力

    本文提出了一种基于 Transformer 的 3D 视觉应用中的线性注意力机制，通过全局和局部信息聚合进行关键点匹配，同时提出了联合学习来简化和加速特征匹配，最终在几个基准测试中取得了具有竞争力的性能。

    Apr, 2022

  • MatchFormer: 用于特征匹配的变形金刚中的交错注意力

    本文提出了一种新的层次化提取和匹配变形器 MatchFormer 来提高局部特征匹配的效率和鲁棒性，该方法结合自注意力和跨注意力在多尺度特征的层次化架构上提高匹配鲁棒性，并在室内姿势评估、室外姿势评估、单应性评估和图像匹配检测四个基准测试中均取得 state-of-the-art 的结果。

    Mar, 2022

  • 当极线约束遇上多视点立体的非局部算子

    应用非局部特征增强和基于双线搜索的 Transformer 方法改进多视角立体视觉的特征匹配，并在学习式 MVS 基线 ET-MVSNet 中加入 Epipolar Transformer 技术，提高了重建性能。

    Sep, 2023