[Stereo_unsupervised][cvpr16]Unsupervised learning of disparity maps from stereo images

最新推荐文章于 2021-05-11 20:18:19 发布
最新推荐文章于 2021-05-11 20:18:19 发布
阅读量377 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 非监督学习 Stereo
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zhiwei2coder/article/details/78693834
本文探讨了将对应问题视为从左图到右图转换的方法，并通过两步进行：首先利用xxx李群解决由水平位移导致的水平视差；其次采用一般性的李群框架允许更广泛的变换。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Notes of this paper which talk about unsupervised learning for stereo match

We treat correspond problem as a transformation from the left to right image.
First, we start with from the assumption that horizontal disparity is caused by horizontal shift. This could be solved by xxx lie group using Fourier theory.

In a second step, we use the general Lie group framework to allow for more general transformations.

【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
11-30 3万+
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用优快云来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
【论文阅读】Occupancy Networks: Learning 3D Reconstruction in Function Space
weixin_45616624的博客
02-10 1万+
论文题目：Occupancy Networks: Learning 3D Reconstruction in Function Space（占据网络：在函数空间内学习三维重建，简称ONet） 论文作者：Lars Mescheder；Michael Oechsle；Michael Niemeyer；Sebastian Nowozin；Andreas Geiger 论文出处：CVPR 2019
Unsupervised Stereoscopic Image Retargeting via View Synthesis and Stereo Cycle Consistency Losses
qq_22565865的博客
03-15 632
论文阅读-Unsupervised Stereoscopic Image Retargeting via View Synthesis and Stereo Cycle Consistency Losses摘要1.介绍2.相关工作2.1 2D图像重定向2.2 立体图像重定向3.提出的方法3.1 USIR-Net的结构3.2 视图合成损失3.3 立体循环一致性损失3.4 实现细节 摘要 作者提出了一个无监督立体图像重定向网络（USIR-Net), 从而在没有标签信息的情况下解决立体图像重定向的问题。 通过探
Unsupervised Learning of Stereo Matching
qq_33495762的博客
03-08 787
无监督学习立体匹配Unsupervised Learning of Stereo Matching 摘要：神经网络在立体匹配成本学习方面有很强的能力。最近的方法从有真实视差的公共数据库中学习参数。由于带标签的地面真实深度不同，系统训练的数据受到限制，系统很难应用于实际程序。这篇文章中，提出了一个无监督学习立体匹配代价的框架。我们迭代更新网络参数。开始随机初始化网络。左右一致性检查用来指导训...
论文笔记 | Unsupervised Learning of Stereo Matching
迦小叶的博客
08-01 997
--------------------------------------------------‘山水有相逢’---------------------------------------------------
Unsupervised Cross-spectral Stereo Matching by Learning to Synthesize
weixin_42881607的博客
07-14 533
无监督交叉光谱立体匹配的目的是在没有任何深度或视差监督的情况下恢复给定交叉光谱图像对的视差。估计深度为原始图像提供了补充信息，有助于其他视觉任务，如跟踪、识别和检测。然而，不同光谱波段的图像之间存在较大的外观差异，这对跨光谱立体匹配是一个挑战。现有的深部无监督立体匹配方法对图像的外观变化很敏感，不能很好地处理交叉光谱数据。提出了一种基于图像到图像转换的无监督交叉光谱立体匹配框架。首先，一个风格适应...
论文详解——GeoNet：Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose
LCJhust2012的博客
06-13 6689
DepthNet和PoseNet分别预测出深度图和相机姿态，由此可以计算出从目标帧到原帧的二位刚性流rigid flow再由计算得到的rigid flow，结合相机内参/深度图/相机的转移矩阵，warping 得到view synthesis I(s)~, 比较view synthesis与目标帧之间的图像重构误差，即为rigid warping loss。...
CVPR 2019展示：实现实时自适应深度立体声技术
而“dispnet”，很可能是指用于处理视差图（disparity maps）的网络。最后，“madnet”和“cvpr2019-oral”表明这项工作被展示在了计算机视觉领域重要的学术会议——2019年计算机视觉和模式识别会议（CVPR）的口头...
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 5065
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
图像风格迁移cvpr2020_GitHub - wty2019/CVPR2020-Code: CVPR 2020 论文开源项目合集
weixin_39689297的博客
01-13 1168
CVPR2020-CodeCVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文(如ECCV 2020、CVPR 2019、ICCV 2019)以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-visionCNNExploring Self-attent...
【菜鸟学习论文】Parallax Attention for Unsupervised Stereo Correspondence Learning
qq_42344132的博客
05-11 1951
（机翻） 贡献： 1.提出了一种通用的视差注意机制来学习在无监督方式下具有大视差变化的图像对的立体对应关系 2.PAM被成功地应用于两个特定的任务：立体匹配和立体图像SR。我们基于PAM的网络在立体匹配和立体图像SR方面都实现了最先进的性能。 3.提出了一种用于训练立体图像SR网络的Flickr数据集Flickr1024。这个数据集由1024个高质量的立体声图像对组成，并涵盖了各种场景。 2.相关工作 近几十年来，[3]、[5]、[6]、[7]、[8]、[10]等各种任务。在这里，我们关注两个特定的任务，包
Unsupervised Learning
weixin_43777451的博客
01-22 376
Unsupervised Learning Unsupervised learning allows us to approach problems with little or no idea what our results should look like. We can derive structure from data where we don’t necessarily know t...
[Stereo_cnn][cvpr16]Efficient Deep Learning for Stereo Matching(未完成)
zhiwei2coder的博客
11-17 2629
[Paper note](Efficient Deep Learning for Stereo Matching) 这篇文章介绍一种更加快速但是只损失少量精确度的双目视差计算方法。其使用的主要框架与MC-CNN类似，尤其是Fast 框架，直接对两个由Siamese network得到feature vectors进行inner product计算。然后对结果的预测采用多类分类的模型，类别即不同大...
2017CV技术报告：从3D物体重建到人体姿态估计
机器之心
12-13 1875
The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第三部分做了编译介绍，第一部分、第二部分和第四部分详见《 计算机视觉这一年：这是最全的一份 CV 技术报告  》、《 深度 | 2017 CV 技术报
[CVPR2020最佳论文详细解读] Unsupervised Learning of Probably Symmetric Deformable 3D Object
g11d111的博客
06-26 8766
本文是基于CVPR2020最佳论文，来自牛津VGG组的吴尚哲学Unsup3D
双目单目深度估计 论文总结
youmibuaa的博客
12-03 1万+
Depth 自然户外场景深度值在80米以内，户内深度在0-10米范围内 单目 2017-CVPR-Unsupervised Monocular Depth Estimation With Left-Right Consistency 相似工作： 不是完全的可以微分的，使得训练不是最优的 不能图像构成模型不能放大到大的输出分辨率 方法： 在训练时把自动深度看成一个
make3d: learning 3d scene structure from a single still image完全解读
jideljd_2010的专栏
01-20 4671
综述 ———————————————————————————————— 这篇文章的目的呢，是为了解决从单幅图片估计其详细的3d结构。它以superpixel为单位，在学习的过程中，同时考虑深度信息和不同superpixel之间的关系，以得到一个好的模型。
深度学习结合SLAM的研究思路/成果整理之（一）使用深度学习方法替换SLAM中的模块
热门推荐
自己的学习笔记
12-12 3万+
整理了部分近两年深度学习结合SLAM的一些研究成果（参考知乎帖子https://www.zhihu.com/question/66006923 和泡泡机器人公众号，附上论文链接和已找到的源代码/数据集链接，大多简单看了一下摘要。仅为自己学习所用，确实翻译得很烂…………1. 深度学习跟SLAM的结合点深度学习和slam的结合是近几年比较热的一个研究方向，具体的研究方向，我简单分为三块，如下。1.1 深
STEREO_SGBM_MODE_HH
最新发布
04-02
### STEREO_SGBM_MODE_HH 参数的作用 `STEREO_SGBM_MODE_HH` 是 OpenCV 中用于立体匹配的 SGBM（ Semi-Global Block Matching ）算法的一个模式选项。该参数表示使用分层置信传播（Hierarchical Belief Propagation, HBP），这是一种更复杂的优化方法，旨在提高视差图的质量。 #### Hierarchical Belief Propagation (HBP) 的作用 HBP 方法通过多尺度的方式逐步细化视差估计的结果。具体来说，在粗略尺度上计算初始视差图后，逐渐过渡到更高分辨率的图像来改进结果。这种方法可以显著减少噪声并增强边界清晰度[^1]。 ```cpp cv::Ptr<cv::StereoSGBM> sgbm = cv:: StereoSGBM ::create(0, 128, 3); sgbm->setMode(cv::StereoSGBM::MODE_HH); // 设置为 Hierarchy Mode ``` 上述代码展示了如何设置 `STEREO_SGBM_MODE_HH` 模式。需要注意的是，启用此模式可能会增加计算复杂性和运行时间，因此适用于对精度要求较高但性能不是首要考虑因素的应用场景[^5]。 #### 使用注意事项 当选择 `STEREO_SGBM_MODE_HH` 时，应调整其他相关参数以获得最佳效果。例如： - **blockSize**: 控制窗口大小，默认值通常设为较小数值如 3 或 5。 - **P1 和 P2**: 这两个惩罚系数决定了不连续性成本。对于较大的 `blockSize` 值，可能需要重新评估这些参数的比例关系[^4]。 另外值得注意的一点是，随着版本更新至 OpenCV 4.x 后，部分 API 名称发生了变化，这可能导致旧版文档中的某些调用方式不再适用。 ### 实现细节对比 相较于标准的 SGBM 模型 (`MODE_SGBM`) ，HH 模式的额外优势在于其能够更好地处理纹理较少区域以及遮挡情况下的像素对应问题[^2]。然而这种提升是以牺牲速度为代价换取更高的准确性。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值