排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
为了解决在仅有单目视图的环境下实现立体匹配的问题,在现有视图重构网络模型Deep3D的基础上,提出了基于加权局部对比归一化约束的全卷积重构模型.该模型采用改进的全卷积神经网络架构作为模型的特征提取模块,以期减少训练参数,降低训练时间,增加模型的非线性.为了进一步提高重构精度,设计了新的基于加权局部对比归一化的约束条件,并采用结构相似性成本(SSIM)与L1成本相结合的损失优化函数对模型进行优化.在KITTI 2015数据集上展开实验,并与Deep3D模型及其后续的改进方法进行比较.实验结果表明,在只使用左视图作为训练数据的情况下,生成的右视图在SSIM和峰值信噪比两个指标上有很大提升,能够满足立体匹配方法中右视图的精度要求. 相似文献
1