我们介绍了一种新的基于光流网络 RAFT 的校正立体的深度架构 RAFT-Stereo。我们引入了多级卷积 GRU，更有效地传播图像间的信息。RAFT-Stereo 的修改版本可进行准确的实时推断，其在 Middlebury 榜单上排名第一，在 1px 误差方面比第二好的方法高出 29％，并且在 ETH3D 两视图立体基准测试的所有已发布工作中表现最佳。代码可以在此 https URL 找到。

Sep, 2021

本文提出了一种新颖的端到端深度神经网络模型，用于从广角多视角立体成像中实现全向深度估计，并提出了大规模的合成数据集来用于算法的训练与测试。结果表明，所提出的方法在合成和实际环境中都生成了出色的结果，并优于现有技术。

Aug, 2019

本论文提出了一种基于循环神经网络的深度匹配方法，通过记忆与学习过去的经验，以拓展普遍适用于各种不同情况下的深度估计，不需要大量标注数据，不需要监督，同时在不同数据集上性能优异，超越了现有的深度神经网络。

Aug, 2018

MeFlow 是一种新的内存高效的方法，用于高分辨率光流估计，通过使用局部正交费用体积和自注意力，在高分辨率输入下实现竞争性性能和最高的内存效率。

Dec, 2023

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

本文提出了一种新颖的广基线全向立体算法，使用深度卷积神经网络从鱼眼图像计算密集深度估计，直接生成具有全 360 度覆盖的密集全向深度图，该算法的实验结果表明，在合成和实际数据集上，比传统的深度估计方法具有更高的准确性。

Feb, 2019

本文提出了一种基于点线特征的立体视觉里程计（StereoVO）技术，并使用一种基于注意力图神经网络的新型特征匹配机制，在恶劣的天气条件（如雾、霾、雨和雪）和动态光照条件（如夜间照明和眩光场景）下表现出色，通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明，与先进的线特征匹配算法相比，我们的方法能够获得更多的线特征匹配，而与点特征匹配相结合，在恶劣的天气和动态光照条件下表现一致优秀。

Aug, 2023

通过将扩散模型融入迭代优化过程中，我们提出了一种新的训练方法，采用时间驱动的门控循环单元（T-GRU）和基于注意力的上下文网络，用于改进基于迭代的立体匹配，并在多个公共基准上实现了有竞争力的性能。在 Scene Flow 数据集中，我们的模型排名第一，与竞争方法相比，改善了超过 7％，而且只需 8 次迭代即可实现最先进的结果。

Apr, 2024

本文提出了一种基于响应生成和边界框回归的跟踪模型，利用尺寸可调卷积滤波器适应对象的形状变化，同时利用离线训练的循环神经优化器在元学习环境中更新跟踪模型，从而提高更新速度并实现更好的性能。实验证明该方法在多项基准测试中表现优异。

Jul, 2019

提出了一种名为 Omni-SR 的新型架构，通过增强的 Omni Self-Attention 块和多尺度交互机制来改善轻量级 ViT 框架中 one-dimensional self-attention 建模的局限和同构聚合方案，并在图像超分辨率任务中获得最高记录性能。

Apr, 2023