Feb, 2024

DCVSMNet：双成本体素匹配网络

PDF
TL;DRDouble Cost Volume Stereo Matching Network (DCVSMNet) 是一种新颖的架构，具有两个小型的上部（分组）和下部（规范相关）成本体积。每个成本体积分别处理，并提出了一种耦合模块来融合从上部和下部成本体积中提取的几何信息。DCVSMNet 是一种快速的立体匹配网络，推理时间为 67 毫秒，具有强大的泛化能力，与最先进的方法相比，可以产生具有竞争力的结果。在几个基准数据集上的结果显示，DCVSMNet 在较大推理时间成本的情况下实现了比 CGI-Stereo 和 BGNet 等方法更好的准确性。
double cost volume stereo matching networkdcvsmnetcost volumesstereo matchinginference time
发现论文，激发创造
  • 高分辨率多视角立体匹配的级联代价体

    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

  • Ghost-Stereo：基于 GhostNet 的立体匹配网络的代价体积增强与聚合

    基于 GhostNet 的 Ghost-Stereo 是一种新颖的端到端立体匹配网络，使用特征增强模块和轻量级聚合模块来提高成本体积质量，从而取得与最先进的实时方法相当的性能，并展现出更好的泛化能力。

    May, 2024

  • CFNet: 基于级联和融合代价体积的鲁棒立体匹配

    该论文提出了一种基于级联和融合代价体的深度学习模型 CFNet，以解决大规模标注数据集的深度立体匹配模型的泛化能力问题，通过融合多个低分辨率的密集代价体以及逐步缩小视差搜索空间的方式，建立起一套定量的不确定性估计体系，实现了对跨数据集间的泛化匹配能力的优化。

    Apr, 2021

  • 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

  • 基于相关代价体积的多视角立体反演深度回归学习

    本研究提出了一种用于减少计算负担和对大规模景观适用的轻量级花费体积平均群组相似性度量以及基于此有效的花费体积表示的级联 3D U-Net 模块，并将多视角深度推断重新转换为反深度回归任务，旨在提升深度推断的可扩展性和准确性，在 DTU 数据集和 Tanks and Temples 数据集上实现了方差的估计和最优性能的状态。

    Dec, 2019

  • 基于 CNN 的代价体积分析作为稠密匹配的置信度量

    本文提出了使用卷积神经网络 (CNN) 从三维数据中直接学习置信度估计特征的新方法，将深度学习和代价体特征相结合，通过对三个数据集上的三种常见密集立体匹配技术进行广泛评估，证明了该方法的广泛性和最先进的准确性。

    May, 2019

  • CBMV：一种用于视差估计的合并双向匹配体积

    本文介绍了一种利用基于学习的方法和传统智慧生成匹配体积，以提高立体匹配准确性的方法。作者使用随机森林分类器将来自双向匹配过程的不同证据融合在一起，证明了该方法的准确性与纯数据驱动替代方案相当，并且能够更好地应用于未见过的数据。

    Apr, 2018

  • MVSNet: 不规则多视图立体的深度推断

    本文提出了一种用于计算多视图深度图的端到端深度学习框架 (MVSNet)，首先提取深度视觉图像特征，然后利用不同 iable homography 变形构建 3D 成本体积，并使用 3D 卷积对初始深度图进行规则化和回归，最终与参考图像相结合生成最终输出，其通过引入基于方差的成本度量来适应任意 N-view 输入， 其表现优于现有同类方法并能很好地泛化于室内室外数据。

    Apr, 2018

  • 利用有条件代价体积标准化的立体匹配网络融合 3D LiDAR 和立体视觉

    提出了一种利用 LiDAR 和立体相机实现深度感知的方法，该方法基于立体匹配神经网络，引入输入融合和条件成本体积规范化技术，实现了两种传感器信息的有效融合，实验结果表明，该方法在多个融合策略中表现优异，而且在计算时间和模型大小方面增加的开销较小。

    Apr, 2019

  • 基于曲率引导的动态尺度网络在多视图立体匹配中的应用

    本文提出了一种动态尺度特征提取网络 (CDSFNet)，通过引导图像表面的法线曲率选择适当的补丁尺度，以学习判别特征，进而提高匹配成本的性能，该方法在复杂的室外场景中性能优于其他最先进的方法，并能够以更快的运行时间和更低的内存处理更高分辨率的输入。

    Dec, 2021