StereoDRNet：膨胀残差立体网络
计算机视觉与模式识别
2019-06-04 v3
摘要
我们提出一个系统，使用卷积神经网络 (CNN) 从立体图像对估计深度，随后对预测的深度图进行体素融合以生成场景的三维重建。我们提出的深度细化架构可预测视角一致的视差与遮挡图，从而帮助融合系统生成几何一致的重建结果。我们在所提出的代价滤波网络中采用三维膨胀卷积，与最先进的代价滤波架构相比，在几乎将计算成本减半的同时实现了更好的滤波效果。对于特征提取，我们使用 Vortex Pooling 架构。所提方法在 KITTI 2012、KITTI 2015 和 ETH 3D 立体基准上取得了最先进的结果。最后，我们证明我们的系统能够生成高保真度的三维场景重建，优于最先进的立体系统。
引用
@article{arxiv.1904.02251,
title = {StereoDRNet: Dilated Residual Stereo Net},
author = {Rohan Chabra and Julian Straub and Chris Sweeney and Richard Newcombe and Henry Fuchs},
journal= {arXiv preprint arXiv:1904.02251},
year = {2019}
}
备注
Accepted at CVPR 2019