Jun, 2024

LightStereo: 基于通道增强的高效二维代价聚合

PDF
TL;DRLightStereo 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。
发现论文，激发创造
  • 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

  • MobileStereoNet：面向立体匹配的轻量级深度神经网络

    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

  • 使用二维卷积处理代价签名的快速深度立体匹配

    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

  • OpenStereo：立体匹配与强基线的全面基准

    引入了一个关注实际应用而非仅仅性能提升的全面基准的研究，包括一个灵活高效的立体匹配代码库，通过实验在 SceneFlow 数据集上证明了该代码库的强大性能，并发现了一个简单但有效的基准模型。

    Dec, 2023

  • AANet: 用于高效立体匹配的自适应聚合网络

    提出了一种基于稀疏点和神经网络的代价聚合方法，用于加速立体匹配的推理速度，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020

  • 具显式成本聚合子结构的深度立体匹配

    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

  • YOLOStereo3D: 一种有效的立体 3D 检测方法，回归到 2D

    提出了基于 YOLO 与 stereo cameras 的新型 3D 物体检测算法，无需使用昂贵的 LiDAR 设备，性能与同类算法相当。

    Mar, 2021

  • 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

  • 利用有条件代价体积标准化的立体匹配网络融合 3D LiDAR 和立体视觉

    提出了一种利用 LiDAR 和立体相机实现深度感知的方法，该方法基于立体匹配神经网络，引入输入融合和条件成本体积规范化技术，实现了两种传感器信息的有效融合，实验结果表明，该方法在多个融合策略中表现优异，而且在计算时间和模型大小方面增加的开销较小。

    Apr, 2019

  • 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