常见立体匹配论文列表_tapa-mvs: textureless-aware patchmatch multi-view

作者：繁依Fanyi0 | 2024-03-23 22:51:35

踩

tapa-mvs: textureless-aware patchmatch multi-view stereo

英文	中文题目	摘要
A Non-Local Cost Aggregation Method for Stereo Matching（NCA-Net）	一种用于立体匹配的NonLocal代价聚集方法（NCA-Net）	给定图像转换的图，根据最小生成树的原则，计算每个像素位置的（不同视差）的全局cost。选择最小cost所对应的视差为当前像素的视差。
ActiveStereoNet - End-to-End Self-Supervised Learning for Active Stereo Systems	ActiveStereoNet——端到端自监督学习的主动立体系统	基于主动立体相机系统（不是普通的双目相机）的视差估计
Cascade Residual Learning - A Two-stage Convolutional Neural Network for Stereo Matching（CRL）	级联残差学习——用于立体匹配的两级卷积神经网络（CRL）	代码：https://github.com/Artifineuro/crl 两个阶段：初始估计和refine。两个阶段的网络结构类似于DispNetC（参考文献40），区别在于是全分辨率输出 refine阶段采用的是残差r的更新（网络结构见图1）
EdgeStereo - A Context Integrated Residual Pyramid Network for Stereo Matching（EdgeStereo-V2）	EdgeStereo——用于立体匹配的上下文集成残差金字塔网络（EdgeStereo-V2）	网络结构如图2 1. 视差网：两个金字塔，一个获取多尺度context信息，另一个利用残差信息实现refine 2. HED边缘检测网：利用边缘信息对视差进行正则化
Hierarchical Discrete Distribution Decomposition for Match Density Estimation（HD^3-Stereo）	用于匹配密度估计的分层离散分布分解（HD^3-Stereo）	目的是不仅估计视差，而且估计（每个点）视差的分布（不确定性）。采用多尺度、refine等思想，集成了DLA、HAD等已有的技术。结构图如图2
Learning Depth with Convolutional Spatial Propagation Network（CSPN）	卷积空间传播网络的学习深度	提出卷积空间传播（CSPN），省去了传统SPN连续4个方向的处理，从而一次完成。并将其推广到3D，从而应用于各种立体视觉应用，包括立体匹配。这里是用于类似于CRF的后处理。PSMNet的改进
Learning for Disparity Estimation through Feature Constancy（iResNet）	基于特征一致性的视差估计学习（iResNet）	网络结构见图1，共分三个部分。算法强调特征一致性代码：https://github.com/leonzfa/iResNet
Pyramid Stereo Matching Network（PSM Net）	金字塔立体匹配网	SPP（空间金字塔池化）+ 3D卷积。见图1
Stereo Matching by Training a Convolutional Neural Network to Compare Image Patches（MC-CNN）	训练卷积神经网络比较图像块的立体匹配（MC-CNN）	提出用以计算cost volumn的CNN网，而后续的处理仍然采用传统的方法
End-to-End Learning of Geometry and Context for Deep Stereo Regression（GC Net）	几何与上下文的端到端学习实现深度立体回归（GC-Net）	网络结构如图1，计算一元特征，然后Cost Volumn，最后3D卷积。
StereoNet - Guided Hierarchical Reﬁnement for Real-Time Edge-Aware Depth Prediction	StereoNet——实时边缘感知深度预测的指导的分层精化算法	网络结构如图1，实时算法（60fp），特征抽取阶段下采样，3D卷积，估计视差阶段，采用refine的思想
CVPR2019
GA-Net: Guided Aggregation Net for End-To-End Stereo Matching	GA-Net：端到端立体匹配的引导聚合网	提出两种cost aggregation方法：semi-global和local，分别对应无纹理区和细结构/边缘区
Guided Stereo Matching	引导立体匹配	给定稀疏（正确）的深度值（可以容易地转化为对应点的视差值），利用这部分信息作为引导，辅助实现立体视觉（公式1-4，通过图2b,c可以看出，其对性能的提升也是有明显的好处的）
Group-Wise Correlation Stereo Network	群相关立体网络	PSMNet基础上的改进，主要体现在以下几个方面： 1. costVolumn采用concatenation（公式2）和correlation（公式1）相结合的方式，特别是correlation，采用通道分组的方式（公式3），以获取更多的信息，从而使aggregationNet简化成为可能。 2. aggregation Net 进行了改进（图2），提升了速度
Multi-Level Context Ultra-Aggregation for Stereo Matching	基于多级上下文超聚合的立体匹配	基于PSMNet的改进，主要改动在前端matching cost calculation部分，如图3，添加了一个子分支，从而定义了所谓“interesting level组合”（图中彩色实线），而模块内部采用的是密集连接，文中称为高阶RCNN 另一部分改进在输出部分，见图2，引入了残差模块来精化
Hierarchical Deep Stereo Matching on High-Resolution Images	高分辨率图像的分层深度立体匹配	主要是利用空间金字塔（SPP）抽取不同（4个）尺度的特征，并由此得到多尺度的costVolumn，低尺度特征不仅独立估计视差，同时辅助高尺度特征计算高尺度costVolumn（图2，3），即所谓“层级” 文中同时还给出数据增广方法和新的训练数据集
StereoDRNet: Dilated Residual StereoNet	StereoDRNet：扩张的残差立体网	流程框架见图2，文中在特征抽取、CostFiltering、回归、精化等几个子模块都有改进，主要有： 1. DR：CostFiltering中使用扩张卷积和残差 2. 特征抽取中使用Vortex池化 3. 精化阶段不仅考虑光度误差（公式4），同时考虑几何误差（公式5）详细可见Contribution 中介绍
Real-Time Self-Adaptive Deep Stereo	实时自适应深度立体	MADNet：在线自适应来解决domain shift问题（训练集为合成数据，而真实测试集为真实场景）。在实际使用中，每帧数据（对）不仅用来计算视差，同时用来在线更新网络权值，达到自适应的目的
LAF-Net: Locally Adaptive Fusion Networks for Stereo Confidence Estimation	LAF-Net：用于立体置信估计的局部(L)自适应(A)融合(F)网络	置信图（Confidence map）用以衡量每个点的（估计后）视差的置信度（如图1），进而对不同置信度像素点的视差可以refine等后处理。
ICCV2019
DeepPruner: Learning Efficient Stereo Matching via Differentiable PatchMatch	DeepPruner：通过可微Patch匹配实现有效的立体匹配学习	1. 利用RNN的结构，描述PatchMatch 2. 利用可微的PatchMatch，缩小每个像素视差的搜索范围（传统的方法是所有视差可能性，而文中每个像素考虑的是部分视差，即Confidence Range，大约是全部视差范围的1/10）
Semantic Stereo Matching With Pyramid Cost Volumes	基于金字塔CostVolume的语义立体匹配	1. 采用语义分割提升立体匹配 2. 采用不同尺度的CostVolume
OmniMVS: End-to-End Learning for Omnidirectional Stereo Matching	OmniMVS：全方位立体匹配的端到端学习	多视角的立体匹配
TAPA-MVS: Textureless-Aware PAtchMatch Multi-View Stereo	TAPA-MVS：无纹理感知PatchMatch多视图立体	多视角的立体匹配
P-MVSNet: Learning Patch-Wise Matching Confidence Aggregation for Multi-View Stereo	P-MVSNet：学习多视点立体视觉的逐块匹配置信聚集	多视角的立体匹配
AutoDispNet: Improving Disparity Estimation With AutoML	AutoDispNet：用AutoML改进视差估计	网络结构搜索和最优超参数搜索的方法

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/298214