qq_43527694的博客

ICCV 2021 关于泛化的工作；在现实世界的应用中，分布偏移是不可避免的，训练好的模型使用之前的一些归一化方法在新的环境中表现地更差；文中提出了新的normalization方法来提高分布偏移的泛化性和鲁棒性；即CrossNorm与SelfNorm；(1)CrossNorm 交换信道平均和方差之间的特征映射，以扩大训练分布；(2)SelfNorm使用注意力来重新校准统计数据，以校准训练分布和测试分布之间的差距；在两张图片中交换RGB的均值和方差能够转移它们之间的风格。.

CVPR 2022 ，一篇关于立体匹配泛化性的文章，自己做的阅读笔记，如有不对，还请指正！概要：本文认为在匹配像素之间维持特征一致性对于立体匹配网络的泛化能力是重要的。因此文中提出了两种损失来保证特征一致性：1.The stereo contrastive feature loss（立体对比特征损失SCF）立体对比特征损失函数明确地约束匹配像素对学习到的特征之间的一致性，这些匹配像素对是同一三维点的观测结果；2.A stereo selective whitening loss（立体选择

时间：2019作者：Shunsuke Saito，University of Southern California etc.Abstract通过使用Pixel-Aligned Implicit Function，本文提出了一种端到端的深度学习方法，用于数字化高度详细的穿着衣服的人，该方法可以从单个图像和多个输入图像推断3D表面和纹理。1.与现存的三维深度学习的方法相比，PIFu能产生高分辨率的表面，包括基本上看不见的区域，如人的背部；2.PIFu不像一些体素表示，它具有内存效率，而且能

时间：2020年作者：Stefan Popov ，Google Research etc.

时间：2019年作者：Weiyue Wang ,University of Southern California etc.Abstract：1.DISN 通过预测基本符号距离场来从二维图像中生成高质量的细节丰富的三维网格；2.DISN 在二维图像上预测每一个三维点的投影位置，以及从图像特征映射中提取局部特征。将全局特征与局部特征相结合，可以提高符号距离场的预测精度，尤其对于细节丰富的区域。1.Introduction1.体素与点云方法通常在分辨率上受到限制；2.一些方法在神经网