Geometry-Informed Distance Candidate Selection for Adaptive Lightweight Omnidirectional Stereo Vision with Fisheye Images

多视角全向距离估计通常需要建立一个包含许多假设距离候选项的代价体积。由于移动机器人的资源有限，代价体积的构建过程通常计算量很大。我们提出了一种新的几何信息引导的距离候选项选择方法，可以使用非常少量的候选项，并降低计算成本。我们在一组模型变体中展示了几何信息引导的候选项的使用。我们发现，通过在机器人部署过程中调整候选项，我们的几何信息引导的距离候选项也可以提高预先训练模型的准确性，如果外参或相机数量发生变化。在不需要重新训练或微调的情况下，我们的模型表现优于使用均匀分布的距离候选项训练的模型。模型也作为硬件加速版本与一个新的专用大规模数据集一起发布。项目页面、代码和数据集可在 https://theairlab.org/gicandidates/ 找到。

论文旨在解决多视角全向距离估计中计算成本高的问题，通过新的几何信息选择距离候选者的方法来减少计算成本。

论文的关键思路是使用几何信息来选择距离候选者，从而减少计算成本，并且在机器人部署期间调整候选者可以提高预训练模型的准确性。

论文使用了新的几何信息选择距离候选者的方法，并且在不需要重新训练或微调的情况下，通过调整候选者来提高预训练模型的准确性。论文还提供了硬件加速版本的模型和一个新的大规模数据集，并且提供了代码和数据集的开源。

最近的相关研究包括：1. 'Omnidirectional multi-view stereo reconstruction using hybrid cost aggregation and multi-scale feature matching'；2. 'Real-time omnidirectional depth estimation using stereo vision and deep learning'；3. 'Omnidirectional stereo matching using deep neural networks'.