CVPRApr, 2024

MoCha-Stereo：用于立体匹配的模样通道注意力网络

PDF
TL;DR通过引入 Motif Channel Attention Stereo Matching Network (MoCha-Stereo) 解决现有方法中在特征通道生成过程中丢失几何结构信息的问题，并提出 Motif Channel Correlation Volume (MCCV) 和 Reconstruction Error Motif Penalty (REMP) 模块来提高边缘匹配成本和细节匹配的估计性能。
stereo matchinggeometrical structuremotif channel attention stereo matching networkedge matching costsreconstruction error motif penalty
发现论文，激发创造
  • EdgeStereo：用于立体匹配和边缘检测的有效多任务学习网络

    深度立体匹配网络结合边缘检测网络，构成一种多任务学习网络，其中边缘线索提供了出色的线索，以实现细节区域的视差估计精度的提高，并获得 state-of-the-art 的表现。

    Mar, 2019

  • 基于残差估计的视频立体匹配的灵活递归网络

    基于残差估计的递归结构网络 RecSM 用于视频立体匹配，通过计算当前帧与前一帧之间的残差值，仅利用时间上下文作为参考，快速计算当前帧的位移，同时使用 DOM 和 TAM 模块进一步减少估计误差，堆叠式计算结构 (SCS) 实现可扩展性。实验结果表明，RecSM 在一块 NVIDIA RTX 2080TI GPU 上运行 0.054 秒，相比 ACVNet 提高了 4 倍的速度，准确度仅下降 0.7%。

    Jun, 2024

  • RoMa：重温稠密特征匹配的鲁棒损失

    从马尔可夫链的角度重新审视强健损失，将匹配问题分解为粗匹配和细匹配两个阶段，提出了一种 RoMa 算法以进行本地特征精炼，实现了显著的性能提升。

    May, 2023

  • 用于补丁匹配和重建的改进描述符

    提出了一种基于卷积神经网络 (ConvNet) 的方法，用于学习本地图像描述符，可用于显着改善补丁匹配和三维重建，该方法使用多分辨率 ConvNets 学习关键点描述符，并且提出了一个新的数据集，包含比当前可用的 Multi-View Stereo（MVS）数据集更多的图像和正负对应物，并且在视角，尺度和光照变化方面具有更好的覆盖范围。该文对基于提出的描述符学习的补丁匹配和三维重建任务进行了评估，实验结果表明，在评价任务中，提出的描述符优于当前现有的最先进描述符。

    Jan, 2017

  • 组相关立体网络

    本文提出了使用分组相关来构建成本体积，并改进了三维堆叠沙漏网络，以用于立体匹配的深度感知，通过实验证明在 Scene Flow、KITI 2012 和 KITTI 2015 数据集上，该方法优于之前的方法。

    Mar, 2019

  • 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

  • 多尺度动作感知和时空通道上下文编码网络用于学习视频压缩

    提出一种基于运动感知、空时域通道上下文编码的视频压缩网络 (MASTC-VC)，该网络利用变分自编码器 (VAEs) 学习隐藏表示，捕捉帧内像素和帧间运动的特征，并通过多尺度运动感知模块 (MS-MAM) 和空时域通道上下文模块 (STCCM) 提高编码效率。在三个公共基准数据集上进行的综合实验表明，MASTC-VC 在 PSNR 度量上对 H.265/HEVC (HM-16.20) 平均 BD - 速率有 10.15％的节省，对 H.266/VVC (VTM-13.2) 平均 MS-SSIM 度量上有 23.93％的 BD - 速率节省。

    Oct, 2023

  • 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

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • 基于一致性增强的深度多视图对比学习的聚类

    通过对比学习构建一致增强的深度多视图聚类方法（CCEC），该方法通过多个视图之间的语义连接块保存一致信息，并通过谱聚类增强聚类过程的一致性。实验证明该方法在五个数据集上相比最先进方法具有更好的效果和优越性。

    Jan, 2024