CVPRMar, 2024

选择性立体：自适应频率信息选择用于立体匹配

PDF
TL;DR基于选择性循环单元（SRU）和上下文空间注意力（CSA）模块的选择性立体匹配方法能够同时捕捉边缘的高频信息和平滑区域的低频信息，以减少细节丢失、边缘模糊和纹理区域的错误匹配。
stereo matching methodsiterative optimizationhidden disparity informationadaptive fusionselective-stereo
发现论文，激发创造
  • 学习用于立体影像超分辨率的准确且丰富特征

    本研究提出了一种混合尺度选择性融合网络（MSSFNet），用于提高立体图像超分辨率（stereoSR）结果的质量，包括保留精确的空间细节和丰富的上下文信息，并自适应地选择和融合来自两个视角的最准确的特征，以增强高质量的 stereoSR 效果。

    Jun, 2024

  • SwinFSR: 使用 SwinIR 和频域知识的立体图像超分辨率

    通过使用 Fast Fourier Convolution 和 Residual Swin Transformer 改进的方法和新的 cross-attention 模块，我们提出了一种名为 SwinFSR 的 Stereo Image Super-Resolution 方法，并且实验结果表明了该方法的有效性和高效性。

    Apr, 2023

  • 从扩散桥模型视角重新思考迭代立体匹配

    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

  • 轻量级立体图像超分辨率的多层特征融合网络

    我们提出了一种高效的轻量级立体图像超分辨率多级特征融合网络（MFFSSR），通过利用混合注意力特征提取块（HAFEB）提取多级视角内部特征，并使用通道分离策略与嵌入的视角交互模块有效地进行交互，该结构配置能够在改善跨视角信息共享效率的同时有效挖掘视图内的特征，从而更准确地重构图像细节和纹理。通过丰富的实验证明了 MFFSSR 的有效性，我们在更少的参数下实现了卓越的性能。源代码可在此 URL 找到。

    May, 2024

  • 感知导向的立体图像超分辨率

    该研究通过开发 StereoSRQA 模型，提出了第一种感知定向的立体图像超分辨率方法，并采用 StereoSRQA 数据库为 StereoSR 模型提供准确的指导，从而提高了立体图像的感知质量和位移估计的可靠性。

    Jul, 2022

  • 使用视差约束并行注意力的立体内窥镜图像超分辨率

    本文提出了基于深度神经网络框架加入视差限制机制的 DCSSRnet 算法，用于提高立体图像对的空间分辨率，实验结果表明该算法在定量和定性评估上优于目前的 SR 方法。

    Mar, 2020

  • MASA-SR: 基于参考图像的图像超分辨率匹配加速与空间自适应

    本文提出 MASA 网络用于参考图像超分辨率 (RefSR)，其中提出了两个创新模块用于解决当前方法中存在的计算开销大、分布不一致等问题，并通过定量和定性实验验证了模型的有效性。

    Jun, 2021

  • 高分辨率图像上的分层深度立体匹配

    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

  • 稳健的立体匹配的逐步回归和预训练边缘

    本文提出了一种名为 SR-Stereo 的新型立体匹配方法，通过预测视差剪辑和使用与回归目标尺度相关的损失权重来缓解不同数据集之间的分布差异，并可轻松扩展到现有的基于迭代的方法以改善性能，同时提出了基于预训练边缘的领域自适应（DAPE）来解决粗糙地面实况模型的边缘模糊问题，并在多个数据集上进行了广泛评估，实验结果表明 SR-Stereo 在视差估计性能和跨领域推广性能方面均具有竞争力，DAPE 显著改善了特别是在无纹理和细节区域的精调模型的视差估计性能。

    Jun, 2024

  • 多尺度交替注意力变换器用于广义立体匹配

    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。

    Aug, 2023