立体匹配——高引论文50篇

立体匹配整体思路:

Siamese网络特征提取+相似性度量+构造三维代价卷+代价卷优化(编码解码器)+生成初始视差+视差优化结构或者分支结构(比如结合语义分割信息)

 

论文

MC-CNN   LeCun 《Computing the Stereo Matching Cost with a Convolutional Neural Network》2015

改进匹配代价计算,看成二分类问题

 

Luo 《Efficient Deep Learning for Stereo Matching》

双塔网络提取特征,改进点乘层內积运算进行相似性度量,大大加快测试和训练

 

Chen 两个双塔结构用不同尺度接受相同块,分别产生得分,最终得分加权平均

 

MatchNet 《MatchNet: Unifying Feature and Metric Learning for Patch-Based Matching》

增加池化层减少特征尺寸,3个FC计算相似性

 

Zagornkyo 《Learning to Compare Image Patches via Convolutional Neural Networks》

研究了不同网络代价表现,3个基础网络+3个额外网络

 

DispNet  Mayer 《A Large Dataset to Train Convolutional Networks

for Disparity, Optical Flow, and Scene Flow Estimation》

光流估计,视差估计,实时视察估计

编码-解码器——上采样反卷积恢复图像大小

 

《Discriminative Learning of Deep Convolutional Feature Point Descriptors》

网络简单+有判别力(难以分类的块)

描述符可直接用sift替换

L2范式相似性度量

训练麻烦-随机抽样策略和挖掘

 

《Unsupervised Learning of Stereo Matching》

双分支结构

代价卷分支提取特征——相关层产生代价卷

图像特征分支提取特征

结合——通过联合过滤器产生代价卷——视差

置信图 warp处理(L-R  R-L)

 

《Deep Stereo Matching with Explicit Cost Aggregation Sub-Architecture》

北京理工  KITTI2015 2nd

改进代价聚合  低层结构信息+高层语义信息

端到端训练网络

匹配代价计算 A1特征提取—ResNet

             A2 卷构建—平移

             A3相似性度量—编码-解码器结构

代价聚合 B1生成提议—产生聚合结果,高层语义信息

         B2选择提议—评估聚合结果,低层结构信息

视差计算 ArgMin

 

PSM-Net《 36 Pyramid Stereo Matching Network-CVPR-2018(PSMNet)》

利用环境信息寻找不适定区域

空间金字塔池化:聚合不同尺度不同位置环境信息,构建匹配代价卷

3dCNN:多个堆叠沙漏网络和中间监督结合  ,调整代价卷

 

《Improved Stereo Matching with Constant Highway Networks》

跳跃连接—λ比例系数    反射置信度  混合权重

A 2个内残差块组成外残差块

B 5个外残差块

C 决策网络  铰链损失    0.8

  点积       交叉熵损失 0.2

全局视差网络  反射置信度

 

CRL  《Cascade Residual Learning: A Two-stage Convolutional Neural

Network for Stereo Matching》

解决病态区域问题,两级CNN结构

1DispFullNet  dispNet+上卷积,保留更多细节     ——初始视差图

2DispResNet  优化视差图,生成不同尺度残差信号 ——优化

 

GC-Net《 End-to-End Learning of Geometry and Context for Deep Stereo Regression》

取代传统四步方法

2d卷积获取特征表示 + 3d卷积获取上下文信息 +回归预测视差图

更方便,回归预测

 

《Learning for Disparity Estimation through Feature Constancy》

三部分整合步骤

1计算多尺度共享特征

2代价计算、代价聚合、视差计算

  共享特征估计初始侧视图

  初始视差图和共享特征计算特征连续性

3视差优化

  初始视差图和特征连续性输出次级网络优化视差图

 

《CBMV A Coalesced Bidirectional Matching Volume for Disparity Estimation-》

改进MC-CNN

改进匹配代价计算

估计双边匹配卷,合并匹配卷和置信卷,用卷积匹配函数

匹配卷 Census +NCC +ZSAD +Sobel

置信卷 C +左右比率 +左右相似性

 

《Look Wider to Match Image Patches with

Convolutional Neural Networks》

改进MC—CNN

最后决策层之前插入4p模块,结合不同大小窗口进行代价计算

 

《Left-Right Comparative Recurrent Model for Stereo Matching》

LRCR模型+soft attention

恒定高速网络生成代价卷——输入LRCRmox

左右图像——Siamese网络(每个分支包括几个残差块)——生成描述向量

然后,1两个特征向量级联,通过NIFC用交叉熵损失得到二元结果

      2铰链损失处理两个向量点积层

获得代价卷

 

《EdgeStereo: A Context Integrated Residual Pyramid Network for Stereo Matching》

主干视差网络+边缘子网络

环境金字塔编码多尺度边缘信息,残差金字塔用于级联优化,边缘图充当隐式正则化和平滑损失

 

《 SegStereo Exploiting Semantic Information for Disparity Estimation》

加入分割语义信息

 

《Widening siamese architectures for stereo matching》

反卷积+相似性度量使用相关层

 

 

《 Self-Supervised Learning for Stereo Matching with Self-Improving Ability》

端到端+自监督+warp+self learing+在线方式

 

 

《Seki_SGM-Nets_Semi-Global_Matching_CVPR_2017_paper》

基于深度学习的惩罚估计方法

新的损失函数,可以呀稀疏注释视差图

SGM参数化,根据正负视差改变布局不同惩罚,以有区别的表示对象结构

 

《 Image Patch Matching Using Convolutional》

CNN提取判别描述符,L2范式作相似性度量

 

《1 DispSegNet Leveraging Semantics for End-to-End Learning of》

无监督 把语义分割加入视差估计网络为优化结构

同时输出视差和语义分割

 

《Guided Stereo Matching》

特征增强 从外部获得的少量稀疏可靠深度测量

增强与视差假设相关联的特征

 

《Group-wise Correlation Stereo Network》

分组相关代价卷+串联代价卷

改进BSM-Net的堆叠沙漏(移除快捷连接,添加1x1 3D卷积)

 

《1Reliable Multiscale and Multiwindow Stereo Matching》

多尺度+多窗口

 

《Stereo Matching Based on Edge-Aware T-MST》

最小生成树

 

《ActiveStereoNet End-to-End Self-Supervised》

《Feature Augmentation for Learning Confidence》

《GA-Net Guided Aggregation Net for End-to-end Stereo Matching》

《GeoNet Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose》

《Zoom and Learn Generalizing Deep Stereo Matching to Novel Domains Pang_Zoom_and_Learn_CVPR_2018_paper》

《What Makes Good Synthetic Training Data for Learning》

《Weakly supervised learning of deep metrics for stereo reconstruction》

《Robust Depth Estimation from Auto Bracketed Images》

《Occlusion-aware R-CNN》

《Multi-Scale Context Attention Network for Stereo Matching》

《LIFT Learned Invariant Feature Transform》

《Guided Stereo Matching》

《End-to-End Training of Hybrid CNN-CRF Models for Stereo》

《Euclidean and Hamming Embedding for Image Patch Description with》

《Detail-Preserving Pooling in Deep Networks-Saeedan_Detail-Preserving_Pooling_in_CVPR_2018_paper》

《Deeper Depth Prediction with Fully Convolutional Residual Networks》

《Deep self-guided cost aggregation for stereo matching》

《BERT  Pre-training of Deep Bidirectional Transformers for》

《A Large Dataset to Train Convolutional Networks》

《Aggregated Residual Transformations for Deep Neural Networks》

你可能感兴趣的:(立体匹配——高引论文50篇)