本研究解决了当前立体匹配算法中特征提取能力不足的问题。我们提出了一种名为AIO-Stereo的新方法，能够灵活地从多个异构视觉基础模型中选择和转移知识，以提升单一立体匹配模型的性能。实验结果表明，AIO-Stereo在多个数据集上表现优异，并在Middlebury数据集上位列第一，超过了所有已发表的ETH3D基准研究。

本研究提出MoCha-V2方法，解决立体匹配中因几何结构损失导致的细节匹配问题。该方法通过模态相关图重建几何结构，实验结果在Middlebury基准测试中表现优异，获得第一名。

本研究提出了一种名为Mono2Stereo的立体匹配增强方法，旨在缩小合成数据集与真实数据集之间的差距。通过两阶段训练，该方法显著提升了匹配性能，尤其在零-shot泛化和领域微调方面表现突出。

本文介绍了一种新型图形模型，利用Markov随机场算法实现无人驾驶水面船只在海洋环境中快速检测航行障碍物。研究提出了多种技术和数据集，以提升水上物体的感知能力和立体匹配的准确性，强调了实时情景感知在自主导航中的重要性。

该研究探讨了单目和双目深度估计的最新进展，提出了结合几何约束的深度估计方法，展示了新数据集和神经网络的应用，强调了深度学习在立体匹配中的优势与挑战，并提出了提升模型泛化能力的策略。

本研究针对自监督立体匹配中的遮挡问题，发现现有方法效果不佳。研究者提出伪立体输入策略，解耦输入与反馈图像，缓解遮挡信息缺失，显著提升性能，推动领域进展。

本文介绍了多种基于学习的方法来提高立体匹配的准确性和效率，包括随机森林分类器、深层立体网络、循环神经网络和Transformer结构等。这些方法在多个数据集上表现优异，尤其在动态场景重构和时间一致性方面，展示了深度学习在立体匹配中的潜力和应用前景。

本研究提出了多种基于卷积神经网络的深度估计方法，并在KITTI和Middlebury数据集上验证了其优越性能。通过残差学习和图像变形误差等技术，提高了视差图生成的精度和速度。同时，研究探讨了自监督学习与监督学习结合的UniTT-Stereo方法，改善了模型在数据有限情况下的训练效果。

本研究提出了多种基于卷积神经网络和Transformer的深度估计方法，验证了其在KITTI和Middlebury数据集上的优越性能。通过自适应训练、层次聚合和注意力机制，解决了视差匹配和单目深度估计中的数据稀缺问题，显著提高了模型的泛化能力和训练稳定性。

本文探讨了深度学习在遥感数据分析中的应用，重点是卷积神经网络与LiDAR技术的结合。研究表明，深度架构在分类性能上优于单层架构，并提出了多种提高立体匹配和深度重建精度的方法，包括新颖的网络结构和自监督学习策略。这些进展增强了遥感领域深度学习模型的泛化能力和性能。

本研究探讨了基于卷积神经网络的立体匹配技术，提出了自适应训练、特征一致性维护和无人监督网络等方法，以提高模型的泛化能力和准确性。实验结果表明，这些方法在多个数据集上表现优异，超越了传统算法。

本文介绍了基于事件相机的动态视觉传感器及其在光流估计、立体匹配和深度估计等计算机视觉任务中的应用，提出了多种新方法和框架，显著提高了性能，并在多个数据集上验证了其有效性。

本文探讨了联合学习框架在语义立体匹配、分割和流估计中的应用，提出了S^3M-Net和SyncTrack等新方法，显著提升了场景理解和实时跟踪性能。实验结果显示，这些方法在KITTI和US3D数据集上超越了现有技术。

本文提出了一种改进的双目视频深度估计方法，利用双向对齐机制和新框架BiDAStereo，解决动态对象的立体匹配问题。研究表明，该方法在多个基准测试中提高了预测质量，并介绍了基于Transformer的DynamicStereo结构和Dynamic Replica数据集，以优化动态场景重构。

该研究综述了深度学习在立体视觉和图像深度估计中的应用，分析了单目和双目图像深度估计的最新进展、算法及其优缺点，并提出了提高模型准确性的新方法，强调了实时立体匹配在自动驾驶等领域的重要性。

本文提出了一种自适应训练方法，结合合成数据与无标注数据，以提升卷积神经网络在新领域的泛化能力。通过图拉普拉斯正则化优化，模型能够自适应调整参数，保持边缘并消除伪像，适用于多个场景。此外，研究展示了基于边缘感知的生成对抗网络和新的立体匹配方法，显著提高了深度学习模型的准确性和鲁棒性。

基于残差估计的递归结构网络 RecSM 用于视频立体匹配，通过计算当前帧与前一帧之间的残差值，仅利用时间上下文作为参考，快速计算当前帧的位移，同时使用 DOM 和 TAM 模块进一步减少估计误差，堆叠式计算结构 (SCS) 实现可扩展性。实验结果表明，RecSM 在一块 NVIDIA RTX 2080TI GPU 上运行 0.054 秒，相比 ACVNet 提高了 4 倍的速度，准确度仅下降 0.7%。

本文提出了一种高效的实时立体匹配框架，能够在低延迟内准确预测深度，适用于自动驾驶等应用。通过结合低分辨率和高分辨率数据，采用新算法提高深度图精度，并在多种挑战条件下实现稳健重建。研究还探讨了神经网络模型和多视图立体深度计算的优先级方法，以提升重建质量和效率。

DCVSMNet是一种新颖的立体匹配网络，具有两个成本体积，能够提取几何信息并产生具有竞争力的结果。在几个基准数据集上的测试中，DCVSMNet表现更好。

本研究提出了一种新型表面重建框架，使用神经隐式表达、立体匹配和特征保持来表示场景几何和外观。该方法通过优化特征一致性和图像保真度，提高了复杂场景拓扑的重建鲁棒性。实验结果显示该方法在广阔场景网格重建方面表现更佳。