Jun, 2024

矫正迭代视差用于立体匹配

PDF
TL;DR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。
stereo matchinguncertainty estimationdisparity rectificationdisparity update conditioningdr stereo
发现论文，激发创造
  • 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

  • 基于不确定性引导的自适应弯曲算法实现鲁棒且高效的立体匹配

    通过引入新的不确定性引导自适应相关性 (UGAC) 模块，本文提出一种动态计算相关性以实现鲁棒立体匹配的新视角。通过适应性调整采样区域和学习参数，UGAC 模块使得立体匹配能够更加鲁棒和高效地进行。实验证明，在 ETH3D、KITTI 和 Middlebury 数据集上，即使在没有任何再训练过程的情况下，采用相同的固定模型，我们的方法也能够实现最先进的性能。此外，为了针对实时应用，我们还设计了一个基于 UGAC 的轻量级模型，在只有 0.6 M 参数的情况下，在 KITTI 基准上也胜过其他方法。

    Jul, 2023

  • 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

  • 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

  • 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

  • 使用可能性理论的立体匹配中的鲁棒置信区间

    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。

    Apr, 2024

  • 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

  • 嵌入式无人机实时密集立体视觉用于道路检测

    本文介绍了一种嵌入在无人机上的稳健立体视觉系统，可以实时准确地评估道路表面的状况，从而支持道路交通的安全。通过改进视角变换和使用双边滤波器来过滤生成的代价体积，以及最小化能量函数，通过单独检测受损道路区域，降低了算法的计算复杂度。

    Apr, 2019

  • 高分辨率多视角立体匹配的级联代价体

    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

  • 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