本文采用最大后验概率方法将低分辨率深度数据与高分辨率立体数据相结合，通过层次求解一系列局部能量最小化问题来产生深度图。通过新的相关函数、自适应成本聚合步骤以及基于场景纹理和摄像机几何的自适应融合方法，提出了一种精度更高的种子生长方法，避免了传播错误视差的倾向。该方法是高效的，可在标准台式计算机上以 3 FPS 的速度运行，并通过与现有方法的定量比较和实际深度 - 立体数据集的定性比较，证明了其强大的性能。

Dec, 2020

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

本文提出了一种既节省时间又节省内存的立体成像方法，该方法在几何和语境的渐进细化尺度中构建标准的特征金字塔下的代价体，随着不断增加的代价体分辨率以及深度（或差异）间隙的自适应调整，以较粗糙的方式从粗到细恢复输出。

Dec, 2019

深度立体匹配网络结合边缘检测网络，构成一种多任务学习网络，其中边缘线索提供了出色的线索，以实现细节区域的视差估计精度的提高，并获得 state-of-the-art 的表现。

Mar, 2019

引入了一个关注实际应用而非仅仅性能提升的全面基准的研究，包括一个灵活高效的立体匹配代码库，通过实验在 SceneFlow 数据集上证明了该代码库的强大性能，并发现了一个简单但有效的基准模型。

Dec, 2023

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 CER-MVS (Cascaded Epipolar RAFT Multiview Stereo) 方法，使用 RAF（Recurrent All-Pairs Field Transforms）架构，引入 epipolar cost volumes，cost volume cascading，multiview fusion of cost volumes，dynamic supervision 以及 multiresolution fusion of depth maps 等五种新方法以从多个校准图像中重建 3D 模型，具有较强性能。

May, 2022

本研究提出了一种三步改进的立体匹配管道，其中包括了基于多级加权残差快捷方式的高速公路网络结构，用于计算每个可能差异的匹配成本，并引入了新的后处理步骤，旨在处理全局信息结合的图像不确定性，从而提高异常点检测的性能，并在现有技术上实现了最新的性能。

Dec, 2016

该研究提出了一种基于主动门控立体图像的高分辨率和长距离深度估计技术 - Gated Stereo，该技术利用主动和高动态范围的被动捕获，利用多视图线索以及来自主动门控的飞行时间强度线索。其中，该研究提出了一种通过单目和立体深度预测分支组合的深度估计方法，并且每个块都通过监督和门控自监督损失进行监督，并为汽车场景获取了一种长距离同步门控立体数据集。该方法的性能比最佳 RGB 立体方法提高了 50％以上的 MAE，并比现有的单目门控方法在距离 160 米内的距离范围内提供了 74％的 MAE。

May, 2023