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

评估最近算法在图像匹配及极线几何评估中的表现，并利用它们设计出更实用的注册系统，扩大计算机视觉任务的应用，通过四个大型数据集的实验，提出了三种高质量的匹配系统和粗 - 细 RANSAC 评估器，具有潜在的应用前景。

Aug, 2019

本研究创建了一份包含超过 1700 个成对高分辨率遥感卫星图像的 WHU-Stereo 数据集，以促进深度学习网络的立体匹配训练和测试，并探究其在遥感应用中的潜力。实验证明，该数据集的性能可与现有的立体匹配数据集可比，并且深度学习模型的性能要比手工设计的 SGM 算法更高。

Jun, 2022

该研究提出了一种快速而强韧的匹配框架，该框架将局部描述符与 3DFFT 技术相结合，用于不同模态数据的图像配准。实验结果表明，该框架比现有方法具有更优的匹配性能。

Aug, 2018

本文介绍了如何使用全谱光场捕获（H-LF）系统提取场景深度。我们的方法分为两个部分，第一部分是新的跨光谱配对技术，第二部分是使用 H-LF 立体匹配。实验结果表明，我们的方法能够产生高质量的视差图，并且可以用于产生完整的光场，并合成不同光谱响应下的全焦和散焦彩色图像。

Sep, 2017

基于多层细粒度匹配策略，本文提出了一种名为 KTGP-ORB 的新型特征匹配方法，通过利用特征描述符在汉明空间中的局部外观相似性来建立初始对应关系，结合局部图像运动平滑性约束，使用 GMS 算法增强初始匹配的准确性，并最终采用 PROSAC 算法优化匹配，基于欧几里得空间中的全局灰度信息实现精确匹配。实验结果表明，在具有光照变化和模糊的复杂场景中，KTGP-ORB 方法相比 ORB 算法平均减小了 29.92% 的误差。

Feb, 2024

本文提出了一种基于点线特征的立体视觉里程计（StereoVO）技术，并使用一种基于注意力图神经网络的新型特征匹配机制，在恶劣的天气条件（如雾、霾、雨和雪）和动态光照条件（如夜间照明和眩光场景）下表现出色，通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明，与先进的线特征匹配算法相比，我们的方法能够获得更多的线特征匹配，而与点特征匹配相结合，在恶劣的天气和动态光照条件下表现一致优秀。

Aug, 2023

本文提出了一种新的多帧光流追踪器（MOFT）用于卫星视频中的目标跟踪，该方法融合了 Lucas-Kanade 光流方法、HSV 颜色系统和积分图像，通过对三个 VHR 遥感卫星视频数据集的实验表明，该方法比目前先进的目标跟踪算法更准确。

Apr, 2018

本文提出了一种基于几何感知的地球到卫星图像地理定位方法，该方法可以实现对查询图像的精准定位，其精度可达卫星图像的像素级，同时提出了一种新的基于几何感知的图像检索流程，以提高定位准确性。

Mar, 2022

本篇论文介绍了一种学习匹配函数的方法，该方法能自动发现允许视觉外观变化的空间，并学习相关特征在不同相对位置和尺度上的匹配分数的重要性。该算法已在 KITTI、Sintel 和 TimeLapse 数据集上实现了有希望的结果。

Feb, 2015