二十年代的深度立体匹配调查
该论文通过使用卷积神经网络预测图像之间匹配的好坏,进而计算立体匹配代价,再通过交叉基准代价聚合、半全局匹配和左右一致性检查(LRC)来消除遮挡区域中的错误,从而获得了较低的误差率。该方法在KITTI立体数据集上达到了2.61%的误差率,并且是该数据集上目前(2014年8月)表现最好的方法。
Sep, 2014
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
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
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
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
本文综述了基于学习的单目和双目图像深度估计的最新研究,强调了立体匹配、机器学习和深度学习之间的协同作用、迄今为止取得的成功以及社区将在不久的将来面临的挑战。
Apr, 2020
本文提出了一个双目立体匹配中第一个基于任务特定的人类知识的端对端分层神经架构搜索框架,通过优化整个管道的架构,我们的搜索网络优于所有现有的深度立体匹配结构,在多个基准测试中排名前1,并在网络规模和推理速度上作出了实质性的改进。
Oct, 2020
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
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