Jun, 2024

稳健的立体匹配的逐步回归和预训练边缘

PDF
TL;DR本文提出了一种名为 SR-Stereo 的新型立体匹配方法，通过预测视差剪辑和使用与回归目标尺度相关的损失权重来缓解不同数据集之间的分布差异，并可轻松扩展到现有的基于迭代的方法以改善性能，同时提出了基于预训练边缘的领域自适应（DAPE）来解决粗糙地面实况模型的边缘模糊问题，并在多个数据集上进行了广泛评估，实验结果表明 SR-Stereo 在视差估计性能和跨领域推广性能方面均具有竞争力，DAPE 显著改善了特别是在无纹理和细节区域的精调模型的视差估计性能。
stereo matching methodsdisparity clipsstepwise regression architecturedomain adaptation based on pre-trained edgescross-domain generalisation performance
发现论文，激发创造
  • Zoom and Learn: 将深度立体匹配推广到新领域

    本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

    Mar, 2018

  • SyntStereo2Real：边缘感知生成对抗网络用于维持立体约束的遥感图像转换

    远程感知领域中，缺乏立体匹配以及准确地面真实数据制约了深度神经网络的训练；合成图像作为替代方案缓解了此问题，但面临域泛化问题；结合图像到图像翻译和立体匹配的能力提供了有效解决方案；通过将图像到图像翻译网络和立体匹配网络联合优化，我们提出一种基于边缘感知的生成对抗网络，同时有效解决了两个任务；通过 Sobel 算子获取输入图像的边缘图像，并将其作为编码器的额外输入，以在翻译过程中强制保持几何一致性；此外，通过计算翻译图像的变形损失来维持立体一致性；我们证明了我们的模型比现有模型产生了更好的定性和定量结果，并且其适用性扩展到包括自动驾驶在内的各种领域。

    Apr, 2024

  • 引导式立体匹配

    本论文提出了一种新的导向立体匹配方法，利用来自外部源的少量稀疏但可靠的深度测量来提高现有深度学习模型在处理新环境时的准确性和鲁棒性，并证明此方法适用于传统的立体匹配算法，并且即使只输入少量稀疏数据，对现有模型的性能也有显著提升。

    May, 2019

  • 具有自我改进能力的自监督学习用于立体匹配

    本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

    Sep, 2017

  • AdaStereo：一种简单高效的自适应立体匹配方法

    提出了一种名为 AdaStereo 的领域自适应立体匹配网络，通过颜色传输、代价规范化和无监督的遮挡感知重建等多种方法实现多层次特征对齐和跨领域匹配，取得了 KITTI、Middlebury、ETH3D 和 DrivingStereo 等多个基准数据集上的最新成果。

    Apr, 2020

  • 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

  • 深度立体回归几何和上下文的端到端学习

    该文提出了一种基于深度学习的新型架构，用于处理立体图像的视差回归问题，通过代价体积和不同 iable sof argmin 算法来进行图像处理，并在 KITTI 数据集上创造了新的最佳性能结果。

    Mar, 2017

  • ResDepth: 学习残差三维重建

    使用深度学习的残差学习方法来提高立体重建质量，并可用于卫星图像等领域。在 ETH3D 基准和卫星图像领域，平均绝对误差降低了 50% 以上。

    Jan, 2020

  • 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

  • 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