OpenStereo：立体匹配与强基线的全面基准
本文介绍了PL-SLAM方法，它使用点和线段相结合的方式来实现在低纹理环境下的SLAM，同时也介绍了一种新的基于词袋的回环闭合算法，使得得到的地图更为丰富，使用KITTI和EuRoC数据集进行测试，结果表明其在大部分实验中均具有比ORB-SLAM更为稳健的性能，且可以实时运行。
May, 2017
提出了实用深层立体(PDS)网络，使用瓶颈模块和新的子像素交叉熵损失和MAP估计器，使其具有更小的内存占用，可处理更大的图像，且不需要重新训练就可适用于任何视差范围，从而在FlyingThings3D和KITTI数据集上取得了优越性能。
Jun, 2018
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
本文提出一种基于传统匹配成本的快速深度估计网络，该网络仅使用每个像素和二维卷积操作来总结每个位置的匹配信息，并以低维特征向量的形式生成密集的视差图，在保证准确度的同时，相较于其他算法显著加快了处理速度。
Mar, 2019
提出了一种名为AdaStereo的领域自适应立体匹配网络，通过颜色传输、代价规范化和无监督的遮挡感知重建等多种方法实现多层次特征对齐和跨领域匹配，取得了KITTI、Middlebury、ETH3D和DrivingStereo等多个基准数据集上的最新成果。
Apr, 2020
本文介绍了一种名为 STereo TRansformer (STTR) 的方法，采用序列到序列的对应关系角度来进行立体深度估计，使用位置信息和注意力机制来进行密集像素匹配，克服了固定视差范围的限制，识别遮挡区域和提供置信度估计，并在合成和真实数据集上取得了良好的结果。
Nov, 2020
本文回顾了十多年来用于立体匹配置信度估计的算法和策略，并评估了现有的置信度估计方法，包括手工设计的和最新的基于学习的方法，在五个标准数据集上进行实验，并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较，旨在提供该领域的全面概述，并突出了基于学习的方法的优势和局限性。
Jan, 2021
LightStereo是一种创新的立体匹配网络，利用3D成本体作为轻量级替代品以加速匹配过程，并通过专注于3D成本体的通道维度增强性能，从而在速度、准确度和资源利用方面展现出卓越性能。
Jun, 2024
立足于深度学习技术，本研究论文通过深度对比匹配最新发展的深度评估和分析，聚焦于具有开创性的架构设计和突破性范例的研究，同时对出现的挑战进行全面分析并提供技术方案，从而全面了解深度对比匹配所需进一步探索的领域。
Jul, 2024
本研究针对基于事件的立体深度估计领域中的信息不对称和方法多样性问题，提供了一次全面的综述。论文首次系统性审视了深度学习方法以及立体数据集，提出实用建议以创建新的基准，促进该领域的发展。尽管已有显著进展，但在准确性和效率方面仍需努力，本文指明了研究中的若干空白，为未来研究方向提出建议。
Sep, 2024