ECCV 2020 | 云端参会攻略之Oral篇，前排占位、强势围观！

2020-07-23 10:35

来自复旦、谷歌和Nuro，Inc提出一种深度BA方法来实现SFM重建，通过设计一种基于物理原理的架构来实现优化过程中的结构约束。架构中包含了两个cost volum来估计深度和位置，迭代的进行改进。其中不仅加入图像度量来保证输入间的连续性，同时还添加了几何连续性保证不同视角间的深度一致。位置和深度的显式约束结合了BA和深度学习的共同优势，实现了非常好重建性能。

来自牛津大学、百度和港中文的研究人员提出了一种具有域不变性的立体匹配网络，通过域归一化的手段来正则化学习到的分布，同时利用可训练的非局域图滤波器抽取结构和几何特征进一步增强域不变性的的泛化性。下图显示了域归一化和文中使用的图结构。

来自康奈尔和浙大的研究人员提出了一种弱监督的特征描述子学习方法，基于图像和相机间的相对位置来进行监督。为此采用了包含极线约束的损失函数和完全可差分的高效模型架构。由于脱离了逐像素约束的限制，这种方法可以在更为广泛的数据集上训练得到更无偏更通用的描述子。下图显示了仅仅依赖相机位置的极线约束训练过程（相同颜色对应点和极线）：