CVPR2023 I NeRF-Supervised Deep Stereo：不需要任何ground-truth数据

论文题目：NeRF-Supervised Deep Stereo

作者：Fabio Tosi ；Alessio Tonioni; Daniele De Gregorio等人

作者机构：University of Bologna(博洛尼亚大学)；Google Inc(全球最大的搜索引擎之一)；Eyecan.ai(韩国专注于开发眼动追踪技术的公司)

在公众号「3D视觉工坊」后台回复「原论文」，可获取对应论文pdf文件。

项目代码：https://github.com/fabiotosi92/NeRF

项目主页：https://nerfstereo.github.io/

本文提出了一种新的深度立体网络训练框架，可以从使用单个手持相机拍摄的图像序列中生成立体训练数据。这种方法利用了神经渲染解决方案提供的立体图像，跳过了基于ground-truth的训练，使用三元组来补偿遮挡和深度图像作为代理标签进行NeRF监督训练。实验结果表明，训练模型的效果比现有的自我监督方法提高了30-40％，在Middlebury数据集中达到了受监督模型的效果，而且大多数情况下在零拍摄泛化方面表现出色。

1 前言

本文介绍了神经渲染用于构建灵活可扩展训练数据的新范式，该方法可以轻松地训练深度立体网络且无需任何基础知识。该方法使用标准单手持