Jul, 2024

立体风险：一种立体匹配的连续建模方法

HTML
PDF
TL;DR我们引入了立体风险(Stereo Risk)这一新的深度学习方法来解决计算机视觉中的经典立体匹配问题，通过连续风险最小化问题将场景视差建模为一种最优解，我们证明了所提出的连续风险函数的$L^1$最小化对于深度网络的立体匹配性能提升具有显著效果，并通过各种基准数据集的全面分析证明了我们的方法在理论上的有效性和在性能上优于现有的方法。
发现论文，激发创造
  • 训练卷积神经网络比较图像片段进行立体匹配

    本研究基于卷积神经网络为计算视差匹配的成本聚合，并针对KITTI2012、KITTI2015和Middlebury立体数据集对该方法进行了验证，结果表明其在所有三个数据集上优于其他方法。

    Oct, 2015

  • 基于特征一致性学习的视差估计

    提出一种网络架构以整合所述对象的所有步骤，计算多尺度共享的特征，使用共享特征执行匹配成本计算、匹配成本聚合和视差计算以估计初始视差，并根据正确性计算特征恒定性，从而细化初始视差。

    Dec, 2017

  • 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

  • 实用的深度视差技术(PDS)：面向应用友好的深度视差匹配

    提出了实用深层立体(PDS)网络，使用瓶颈模块和新的子像素交叉熵损失和MAP估计器，使其具有更小的内存占用，可处理更大的图像，且不需要重新训练就可适用于任何视差范围，从而在FlyingThings3D和KITTI数据集上取得了优越性能。

    Jun, 2018

  • 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

  • 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

  • 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

  • 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

  • CFNet: 基于级联和融合代价体积的鲁棒立体匹配

    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

  • 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