CVPRMar, 2024

可复用的持续立体匹配架构增长

PDF
TL;DR通过可持续学习和架构增长，我们提出了一种可重复使用的架构增长（RAG）框架，用于连续立体匹配和动态场景适应性，实现了在各种天气、道路和城市环境中的出色表现，并超越了最难的跨数据集设置的最新方法。
stereo depth estimationconvolutional neural networkscontinual learningarchitecture growthscene-specific architecture
发现论文，激发创造
  • 深度立体视觉的持续适应

    提出一种 Modularly ADaptive Network (MADNet) 架构和 Modular ADaptation (MAD, MAD ++) 算法设计，实现在不同环境下对深度估计进行实时自适应的端到端架构，无需与输入图像不同的数据源。

    Jul, 2020

  • 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

  • 实时自适应深度立体匹配

    通过采用 Modularly ADaptive Network (MADNet) 和 Modular ADaptation (MAD) 算法，本文提出了一种具有实时自适应功能的深度立体系统，能够在异构数据集上实现卓越的性能表现。

    Oct, 2018

  • 通过级联循环适应性相关网络实现实用立体匹配

    本研究利用卷积神经网络等技术，提出一套创新方案解决智能手机等消费级设备拍摄的真实图像对中，提取深度信息的问题，并在 Middlebury 和 ETH3D 基准测试上表现出高准确性和高质量的细节。

    Mar, 2022

  • 基于神经渲染的无监督连续语义适应

    本文研究了语义分割的连续多场景自适应问题，提出了基于 Semantic-NeRF 网络的解决方案，通过将分割模型的预测结果融合，使用视点一致的渲染语义标签来适应模型。我们在 ScanNet 数据集上测试，取得了比基线和最先进的无监督域自适应方法更好的性能。

    Nov, 2022

  • 深度 RNN 在开放世界立体视频匹配中的应用

    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

  • AANet: 用于高效立体匹配的自适应聚合网络

    提出了一种基于稀疏点和神经网络的代价聚合方法，用于加速立体匹配的推理速度，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020

  • R3D3: 多相机下动态场景的稠密三维重建

    提出了一种多摄像机系统来实现密集的三维重建和自我运动估计，通过多摄像机间的几何估计和单目深度优化来获得鲁棒的几何深度和姿态估计，同时通过深度优化网络引入可学习的场景先验，从而在具有挑战性的动态室外环境中实现了稠密、一致的三维重建。

    Aug, 2023

  • 循环场景解析，带透视理解循环

    提出了一种深度感知门控模块，根据物体尺度自适应选择卷积神经网络中的池化字段大小，结合立体视差或单目输入估计的深度开启门控信号，用于语义分割和深度估计，实验结果表明，本方法在四个大规模 RGB-D 数据集上具有竞争性的语义分割性能，并取得了最先进的单目深度估计结果。

    May, 2017

  • DynamicStereo：来自立体视频的一致动态深度

    本文提出了一种新颖的基于 Transformer 的 DynamicStereo 结构来解决从双目摄像机中重构动态场景的问题，并介绍了 Dynamic Replica 数据集来提供更贴近实际应用的训练和评估数据。

    May, 2023