PyTorch-HITNet分层迭代瓷砖精加工网络，用于实时立体声匹配 使用PyTorch的HITNet实施 这是一个包含实现Google论文HITNet的代码的存储库：用于实时立体匹配的分层迭代切片优化网络 该项目是初始版本，可以训练和测试模型，但可能包含一些错误，需要进一步修改和调试。 如果您发现有关我的代码的任何问题，请打开问题或尽快与我联系（ ）。 当前，该项目无法复制原始论文中报告的准确性和速度。 在速度方面，官方实现使用其优化的cuda op来加速参考和培训。（请参考其，该尚未包含模型代码）。 感谢弗拉基米尔·坦科维奇（Vladimir Tankovich）的帮助，他与他的团队一起提出了这个强大的立体声网络，并为我提供了许多原始论文的细节和说明。 另外，我还要感谢@ xy-guo，他提出了出色的 ，因为代码是从他的存储库中部分借用的。 要求 Pytorch = 1.1

opengl Stereo 技术，双眼3D

杨庆雄论文：realtime O(l) bilateral filtering的源码

立体匹配算法ADCensus起源文章，作者为Xing Mei，Xun Sun，Mingcai Zhou等，是基于AD+census的立体匹配算法，适合并行处理，并且可以应用于特征融合的代价计算。不包括代码，仅是文献。

StereoNet：在pytorch中对实时边缘感知深度预测模型进行指导的分层优化。 ECCV2018 ActiveStereoNet：主动立体声系统的端到端自我监督学习ECCV2018口语 如果您想就StereoNet与我交流，请随时与我联系。 我的电子邮件： 我的模型结果 现在，通过端到端训练，我的模型的速度可以在540 * 960 img上达到25 FPS，在场景流数据集上，最佳结果是1.87 EPE_all（使用16X多个模型），1.95 EPE_all（使用16X单个模型）。 以下是侧面输出和预测示例 火车例子 测试例 在titan xp gpu上超过100FPS KITTI20

通过python实现双目标定，得出两个相机的内参，畸变系数，以及旋转和平移向量。

已经提出了3D表面重建作为一种技术，通过该技术可以从仅2D数字图像的集合中重建现实世界中的物体。 该标题在许多应用中非常有用，包括机器人导航，地形建模，远程手术，形状分析，计算机交互，科学可视化，电影制作和计算机辅助设计。 在这项工作中，我们研究了光度立体方法作为单视图3D重建技术，并对合成数据进行了实验验证。 Matlab实现可用。 我的同事是Z. Alavi夫人。

ORB_SLAM2 特征法SLAM 单目 双目 RGBD * ORB主要借鉴了PTAM的思想，借鉴的工作主要有 * Rubble的ORB特征点； * DBow2的place recognition用于闭环检测； * Strasdat的闭环矫正和covisibility graph思想； * 以及Kuemmerle和Grisetti的g2o用于优化。

国外开发，构造地质作图分析软件，很好的图形显示。

A Non-Local Cost Aggregation Method for Stereo Matching 作者关于核心算法做的PPT