【博文阅读08/13】

一、东南大学DSCNet：用于管状结构分割的动态蛇形卷积

题目：Dynamic Snake Convolution based on Topological Geometric Constraints for Tubular Structure Segmentation
论文：arxiv.org/abs/2307.08388
代码：https://github.com/YaoleiQi/DSCNet
审稿：Accepted by ICCV 2023

来源：公众号CVer

博客地址：https://mp.weixin.qq.com/s/B2zCAzQKnSw5i8IO6MWK3A

（1）【解决问题】

　　管状结构（例如血管、道路）是临床、自然界等各领域场景中十分重要的一种结构，其的精确分割可以保证下游任务的准确性与效率。然而这并不是一个简单的任务，主要的挑战源于细长微弱的局部结构特征与复杂多变的全局形态特征。

（2）【本文贡献】

　　本文关注到管状结构细长连续的特点，并利用这一信息在神经网络以下三个阶段同时增强感知：特征提取、特征融合和损失约束。分别设计了动态蛇形卷积（Dynamic Snake Convolution），多视角特征融合策略与连续性拓扑约束损失。

（3）【结果】

　　我们同时给出了基于2D和3D的方法设计，通过实验证明了本文所提出的DSCNet在管状结构分割任务上提供了更好的精度和连续性。

方法：（1）动态蛇形卷积核（Dynamic Snake Convolution, DSConv）

（2）多视角特征融合

（3）基于持续同调的拓扑连续损失（TCLoss）

二、ICCV 2023,最强特征匹配算法LightGlue？github已1.4k Starts！

1 2	`Title: LightGlue: Local Feature Matching at Light Speed` `Paper: https://arxiv.org/pdf/2306.13643.pdf`

　　来源：公众号CVHub

　　地址：https://mp.weixin.qq.com/s/03fxNn9yREga6MK7ePxemw

本文的主要贡献可以总结如下：

设计了LightGlue，一种深度网络，如图1所示，在准确性、效率和训练易用性方面优于现有的SuperGlue。通过对架构进行简单而有效的修改，提出了训练高性能深度特征匹配器的方法。
LightGlue具有自适应的特性，可以根据图像对的难度进行灵活调整。如图2所示，通过预测对应关系并允许模型自省，可以在易于匹配的图像对上实现更快的推理速度，而在具有挑战性的图像对上仍然保持准确性。
LightGlue的应用前景广阔，特别适用于对延迟敏感的应用，如SLAM和基于众包数据的更大场景重建。
LightGlue的模型和训练代码将以宽松的许可证公开发布，为研究和应用领域提供了有用的资源。

三、通过由不确定度引导的自适应图像扭曲实现鲁棒高效的立体匹配

Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching

通过由不确定度引导的自适应图像扭曲实现鲁棒高效的立体匹配

对于双目视觉中的深度估计问题，基于关联性的立体匹配技术是目前的主流方案。但现有技术存在着难以使用一套固定参数的模型，在多种复杂场景下维持稳定表现的问题。因此，我们对立体匹配算法的鲁棒性进行了深入研究，提出了基于不确定度引导的自适应图像扭曲模块，设计了新的立体匹配框架 CREStereo++，实现了模型鲁棒性的有效提升。本算法在 Robust Vision Challenge 2022 比赛中取得冠军，其轻量级版本在 KITTI 数据集上与同计算量级的其他算法相比也有更出色的表现。