Apr, 2024

使用可能性理论的立体匹配中的鲁棒置信区间

PDF
TL;DR我们提出了一种方法，用于在立体匹配问题中估计视差置信区间。置信区间提供了与常规置信度量互补的信息。据我们所知，这是第一种基于代价体积创建视差置信区间的方法。该方法依赖于可能性分布来解释代价体积的认知不确定性。我们的方法具有白盒特性，在这方面与当前最先进的深度神经网络方法不同。使用 Middlebury 立体数据集以及卫星图像数据集验证了置信区间的准确性和大小。此贡献在 GitHub 上免费提供。
发现论文，激发创造
  • 深度学习时代的立体匹配置信度：定量评估

    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

  • 通过视差平面搜索，从端到端立体匹配网络中模拟立体置信度

    我们提出了一种新的立体置信度测量方法，通过使用成本体积的替代输入模式选择，尤其适用于安全关键系统，以测量各种立体匹配网络的外部立体置信度。

    Jan, 2024

  • 立体自适应置信度估计

    本文提出了一种灵活且轻量化的解决方案，该方案可实现自适应置信度估计，具备与任何立体系统（包括未公开视觉感知方法的消费和工业设备）的无缝集成性，并且可以在现场进行开箱即用的部署，通过使用计算机视觉和自监督学习等技术，该方案能够在输入立体对和输出视差映射的最小信息下进行学习和测量置信度度量。实验证明，该方案是首个为任何立体系统实现在线学习准确置信度估计而不需要对最终用户提出任何要求的方案。

    Aug, 2020

  • 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

  • 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

  • 使用置信度预测的多视角优先级立体深度图生成

    本文提出了一种新的多视图立体（MVS）深度图计算优先级方法，该优先级方法在 MVS 算法执行之前进行两步操作，包括寻找匹配伙伴并根据观测质量对结果进行排名，另外还使用了一种基于机器学习的信心预测器，能够对图像星座的质量进行评估，并提出一种优先级方法来构建稳固的三维重建基础，实验表明使用该方法能够在文化遗产保护和建造重建领域中达到更好的重建质量。

    Mar, 2018

  • 矫正迭代视差用于立体匹配

    基于成本体积的不确定性估计（UEC）方法利用图像对中的成本体积的丰富相似性信息，以低计算成本实现了竞争性的性能，并且提出了两种不确定性辅助视差估计方法，UDR 和 UDC，优化了迭代方法的视差更新过程，并且通过视差矫正损失显著提高了精度，最终提出了 DR-Stereo，一种高性能的立体架构。实验结果表明 DR-Stereo 在视差估计性能上具有很强的竞争力。

    Jun, 2024

  • 挖掘基于不确定性的伪标签以实现稳健的立体匹配

    基于不确定性估计的稳健立体匹配算法通过适应性调整离散搜索空间来平衡视差分布，借助基于不确定性的伪标签方法解决有限标签数据的限制，并在多领域、迁移学习和联合泛化上取得了强大的性能，在 Robust Vision Challenge 2020 的立体任务中获得第一名。此外，基于不确定性的伪标签方法还可用于无监督方式训练单眼深度估计网络，并且与监督方法相当性能。

    Jul, 2023

  • 利用辅助区间预测器通过不确定性匹配构建校准的深度模型

    为了解决深度学习模型不确定性的问题，开发了一种新的方法来构建校准的估计器，通过预测模型和区间估计模型交互，显著提高了回归、时间序列预测和对象定位等任务的效果和校准能力。

    Sep, 2019

  • 学习立体匹配误差分布以联合估计视差和不确定性

    本研究提出了一种新的损失函数来联合估计深度立体匹配中的差异和不确定性，通过 KL 散度项要求不确定性的分布匹配失配误差的分布，从而使用可微软柱状图技术来近似分布，以在大型数据集上实现对差异和不确定性预测的显着提高。

    Mar, 2023