论文阅读《Learning Adaptive Dense Event Stereo from the Image Domain》

10月前作者：CV科研随想录分类：Toy博客阅读(37) 违法举报

这篇具有很好参考价值的文章主要介绍了论文阅读《Learning Adaptive Dense Event Stereo from the Image Domain》。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

论文地址：https://openaccess.thecvf.com/content/CVPR2023/html/Cho_Learning_Adaptive_Dense_Event_Stereo_From_the_Image_Domain_CVPR_2023_paper.html

概述

事件相机在低光照条件下可以稳定工作，然而，基于事件相机的立体方法在域迁移时性能会严重下降。无监督领域自适应作为该问题的一种解决方法，传统的无监督自适应方法依赖于源域的标签值，但源域的视差标签值难以获取。针对该问题，文中提出一种新的无监督域自适应密集时间立体匹配方法（ADES）用于缓解目标域域源域之间的域偏差导致的模型性能下降问题。首先，文中提出一种自监督模块通过图像重建来训练在目标域的模型。与此同时，在源域上训练一个涂抹预测网络协助去除重建图像中的间歇性伪影。使用一个特征的归一化策略来沿着极线对齐匹配特征。最后，使用一个运动不变的一致性模块来在扰动运动之间实现一致性输出。实验结果表明，该模型在从普通图像域到事件相机图像域立体匹配的适应性上得到提升。
论文阅读《Learning Adaptive Dense Event Stereo from the Image Domain》,论文阅读,论文阅读

模型架构

模型主要包含三个部分：涂抹感知自监督模块、特征正则化、运动不变的一致性模块。文章来源地址https://www.toymoban.com/news/detail-757269.html

到了这里，关于论文阅读《Learning Adaptive Dense Event Stereo from the Image Domain》的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

论文阅读-Training a Helpful and Harmless Assistant withReinforcement Learning from Human Feedback

一、论文信息论文名称： Training a Helpful and Harmless Assistant withReinforcement Learning from Human Feedback Github: GitHub - anthropics/hh-rlhf: Human preference data for \\\"Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback\\\" 作者团队：发表时间： 2022年4月12日，比insturctgpt晚40天，比

2024年02月10日
浏览(54)
论文阅读 - Detecting Social Bot on the Fly using Contrastive Learning

目录摘要：引言 3 问题定义 4 CBD 4.1 框架概述 4.2 Model Learning 4.2.1 通过 GCL 进行模型预训练 4.2.2 通过一致性损失进行模型微调 4.3 在线检测 5 实验 5.1 实验设置 5.2 性能比较 5.5 少量检测研究 6 结论 https://dl.acm.org/doi/pdf/10.1145/3583780.3615468 社交机器人检测正

2024年02月06日
浏览(49)
【自监督论文阅读笔记】Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture

2023 本文展示了一种学习高度语义图像表示的方法，而不依赖于手工制作的数据增强。本文介绍了基于图像的联合嵌入预测架构 (I-JEPA) ，这是一种用于从图像进行自监督学习的非生成方法。 I-JEPA 背后的想法很简单：从单个上下文块，预测同一图像中各种目

2024年02月09日
浏览(48)
【自监督论文阅读笔记】EVA: Exploring the Limits of Masked Visual Representation Learning at Scale

本文推出了 EVA ，这是一个以视觉为中心的基础模型，旨在仅使用可公开访问的数据来探索大规模视觉表示的局限性。EVA 是一种经过预训练的普通 ViT，用于重建以可见图像块为条件的屏蔽掉的图像-文本对齐（image-text aligned）的视觉特征。通过这个前置任

2024年02月06日
浏览(61)
【论文阅读】CVPR2023 IGEV-Stereo

【cvhub导读】【paper】【code_openi】代码是启智社区的镜像仓库，不需要魔法，点击这里注册 1️⃣现有主流方法基于代价滤波的方法和基于迭代优化的方法：基于代价滤波的方法可以在cost volume中编码足够的非局部几何和上下文信息，这对于具有挑战性的区域中的视差预

2024年02月07日
浏览(45)
DENSE: Data-Free One-Shot Federated Learning论文笔记

DENSE的主要特点单轮通信学习： DENSE允许中央服务器在单次通信轮次中学习全局模型，有效降低了通信成本。现有单轮FL方法的局限性：大多数现有的单轮FL方法不切实际或存在固有限制，例如需要公共数据集，客户端模型同质化，以及需要上传额外的数据或模型信息。

2024年02月02日
浏览(39)
【论文阅读】SISR综述：From Beginner to Master: A Survey for Deep Learning-based Single-Image Super-Resolution

论文地址：https://doi.org/10.48550/arXiv.2109.14335 单幅图像超分辨率(SISR)是图像处理中的一项重要任务，旨在提高成像系统的分辨率。近年来，在深度学习(DL)的帮助下，SISR取得了巨大的飞跃，并取得了可喜的成果。在本综述中，我们对基于dl的SISR方法进行了概述，并根据重建效率

2024年02月08日
浏览(51)
论文阅读：AdaBins: Depth Estimation using Adaptive Bins

信息的全局处理会帮助提高整体深度估计。提出的AdaBins预测的bin中心集中在较小的深度值附近，对于深度值范围更广的图像，分布广泛。 Fu et al. 发现将深度回归任务转化为分类任务可以提升效果，将深度范围分成固定数量的bins。本文则解决了原始方法的多个限制：计算根

2024年04月17日
浏览(47)
论文阅读《Domain Generalized Stereo Matching via Hierarchical Visual Transformation》

论文地址：https://openaccess.thecvf.com/content/CVPR2023/html/Chang_Domain_Generalized_Stereo_Matching_via_Hierarchical_Visual_Transformation_CVPR_2023_paper.html 立体匹配模型是近年来的研究热点。但是，现有的方法过分依赖特定数据集上的简单特征，导致在新的数据集上泛化能力不强。现有的立体匹配

2024年02月04日
浏览(45)
【论文精读】HAMMER: Learning Entropy Maps to Create Accurate 3D Models in Multi-View Stereo

今天读一篇WACV 2024上MVS的文章，作者来自格拉茨技术大学。文章链接：点击前往为了减少在深度图融合点云参数调整上的实验负担，可以学习基于entropy的filtering mask进而根据两个视角的几何验证来重建三维模型。并且，提出的网络计算开销不大，训练只需要6GB，测试时，3

2024年01月21日
浏览(43)