国产综合av一区二区三区无码,国产一aⅤ最新精品

ECCV 2020 | 云端參會攻略之Oral篇，前排占位、強勢圍觀！

2020-07-23 10:35

來自復旦、谷歌和Nuro，Inc提出一種深度BA方法來實現(xiàn)SFM重建，通過設計一種基于物理原理的架構來實現(xiàn)優(yōu)化過程中的結構約束。架構中包含了兩個cost volum來估計深度和位置，迭代的進行改進。其中不僅加入圖像度量來保證輸入間的連續(xù)性，同時還添加了幾何連續(xù)性保證不同視角間的深度一致。位置和深度的顯式約束結合了BA和深度學習的共同優(yōu)勢，實現(xiàn)了非常好重建性能。

來自牛津大學、百度和港中文的研究人員提出了一種具有域不變性的立體匹配網(wǎng)絡，通過域歸一化的手段來正則化學習到的分布，同時利用可訓練的非局域圖濾波器抽取結構和幾何特征進一步增強域不變性的的泛化性。下圖顯示了域歸一化和文中使用的圖結構。

來自康奈爾和浙大的研究人員提出了一種弱監(jiān)督的特征描述子學習方法，基于圖像和相機間的相對位置來進行監(jiān)督。為此采用了包含極線約束的損失函數(shù)和完全可差分的高效模型架構。由于脫離了逐像素約束的限制，這種方法可以在更為廣泛的數(shù)據(jù)集上訓練得到更無偏更通用的描述子。下圖顯示了僅僅依賴相機位置的極線約束訓練過程（相同顏色對應點和極線）：