Ghost-Stereo:基于 GhostNet 的立体匹配网络的代价体积增强与聚合
本文提出了一种既节省时间又节省内存的立体成像方法,该方法在几何和语境的渐进细化尺度中构建标准的特征金字塔下的代价体,随着不断增加的代价体分辨率以及深度(或差异)间隙的自适应调整,以较粗糙的方式从粗到细恢复输出。
Dec, 2019
Double Cost Volume Stereo Matching Network (DCVSMNet) 是一种新颖的架构,具有两个小型的上部(分组)和下部(规范相关)成本体积。每个成本体积分别处理,并提出了一种耦合模块来融合从上部和下部成本体积中提取的几何信息。DCVSMNet 是一种快速的立体匹配网络,推理时间为 67 毫秒,具有强大的泛化能力,与最先进的方法相比,可以产生具有竞争力的结果。在几个基准数据集上的结果显示,DCVSMNet 在较大推理时间成本的情况下实现了比 CGI-Stereo 和 BGNet 等方法更好的准确性。
Feb, 2024
该论文提出了一种基于级联和融合代价体的深度学习模型 CFNet,以解决大规模标注数据集的深度立体匹配模型的泛化能力问题,通过融合多个低分辨率的密集代价体以及逐步缩小视差搜索空间的方式,建立起一套定量的不确定性估计体系,实现了对跨数据集间的泛化匹配能力的优化。
Apr, 2021
本研究以深度学习的 cost aggregation 理论为基础,提出了使用两路神经网络进行视差匹配的方法,并在 KITTI 和 Scene Flow 等数据集上进行全面实验。实验表明,本方法在性能上胜过了目前的最先进方法。
Jan, 2018
在立体匹配任务中,匹配成本聚合对于准确估计视差在传统方法和深度神经网络模型中都非常重要。本文提出了两个新颖的神经网络层,旨在分别捕捉本地和整个图像成本依赖关系。实验表明,具有两个引导聚合块的网路轻松超越具有十九个 3D 卷积层的 GC-Net 的最新技术水平。我们还训练了一个深度引导聚合网络(GA-Net),其在 Scene Flow 数据集和 KITTI 基准测试上比最先进的方法更准确。
Apr, 2019
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
LightStereo 是一种创新的立体匹配网络,利用 3D 成本体作为轻量级替代品以加速匹配过程,并通过专注于 3D 成本体的通道维度增强性能,从而在速度、准确度和资源利用方面展现出卓越性能。
Jun, 2024
该研究提出了两种轻量级的立体视觉模型,采用 2D 和 3D 卷积进行编解码。研究表明,这两种模型有效地减少了计算开销,同时保持了准确性。
Aug, 2021
本文提出一种基于传统匹配成本的快速深度估计网络,该网络仅使用每个像素和二维卷积操作来总结每个位置的匹配信息,并以低维特征向量的形式生成密集的视差图,在保证准确度的同时,相较于其他算法显著加快了处理速度。
Mar, 2019