{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,3,27]]，“日期时间”：“2024-03-27T19:25:52Z”，“时间戳”：1711567552959}，“发布者位置”：“Cham”，“引用计数”：48，“发布商”：“Springer International Publishing”，“isbn-type”：[{“值”：“9783030585884”，“类型”：”打印“}，{“值”：“9783030585891”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“http://www.springer.com\/tdm”}0:00:00Z“，”时间戳“：1577836800000}，”内容版本“：”vor“，“delay-in-days”：0，“URL”：“http:\/\/www.springer.com\/tdm”}，{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days“：0，”URL“https:\/\www.springer.com\/tdm”}1,1]]，“日期时间”：“2020-01-01T00:00:00Z”，“时间戳”：1577836800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[2020]]}，”DOI“：”10.1007\/978-3030-58589-1_7“，”类型“book-capter”，“创建“：{“date-parts”：[[2020,11,11]]，“date-time”：“2020-11-11T06:03:49Z”，“时间戳”：1605074629000}，“页面”：“104-121”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：21，”title“：[”DELTAS:通过学习三角化和稀疏点加密进行深度估计“]，”prefix“：”10.1007“，”author“：[{”given“：”Ayan“，“family”：“”辛哈“、“sequence”：“first”，“affiliation”：[]}，{“given”：“Zak”，“family”：“Murez”，“sequences”：“additional”，“filiation“：[]{”given“：”James“，”family“：”Bartolozzi“，”sequence“：”additional拉宾诺维奇“，”序列“：”附加“，“affiliation”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[[2020,11,12]]}，“reference”：[{“key”：“7_CR1”，“unstructured”：“Badrinayanan，V.，Kendall，A.，Cipolla：“publisher”，“first page”：“850”，”DOI“：“10.1007\/978-3319-48881-3_56”，“volume-title”：“Computer Vision\u2013 ECCV 2016 Workshops”，“author”：“L Bertinetto”，“year”：“2016”，“unstructured”：“Bertineto，L.，Valmadre，J.，Henriques，J.F.，Vedaldi，A.，Torr，P.H.S.：用于对象跟踪的全卷积暹罗网络。摘自：Hua，G.，J\u00e9gou，H.（eds.）ECCV 2016。LNCS，第9914卷，第850\u2013865页。查姆施普林格（2016）。https://doi.org/10.1007\/978-3-319-48881-3_56“｝，｛“key”：“7_CR3”，“doi断言者”：“crossref”，“非结构化”：“Chang，J.R.，Chen，Y.S.：金字塔立体匹配网络。在：IEEE计算机视觉与模式识别会议论文集，第5410\u20135418页（2018）”，“doi”：“10.1109\/CVPR.2018.00567”｝，｛“key”：“7_CR4”，“非结构化”：“Chen，L.C.，Papandreou，G.，Schroff，F.，Adam，H.：重新思考用于语义图像分割的反褶积。arXiv预印本arXiv:1706.05587（2017）“}，{“key”：“7_CR5”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen，R.，Han，S.，Xu，J.，Su，H.：基于点的多视点立体网络。收录于：IEEE国际计算机视觉会议论文集，第1538\u20131547（2019）页”，“doi”：“10.1109\/ICCV.2019.00162”}，}“key”：”7_CR6“，“doi-asserted-by”：”crossref”，“非结构化”：“Chen，Z.，Badrinarayanan，V.，Drozdov，G.，Rabinovich，A.：从RGB和稀疏传感估算深度。摘自：《欧洲计算机视觉会议论文集》，第167\u2013182页（2018）“，“DOI”：“10.1007\/978-3-030-01225-0_11”}，{“key”：“7_CR7”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cheng，X.，Wang，P.，Yang，R.：通过卷积空间传播网络学习的亲和力进行深度估计。摘自：《欧洲计算机视觉会议论文集》，第103\u2013119页（2018）“，“DOI”：“10.1007\/978-3-030-01270-0_7”}，{“key”：“7_CR8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dai，A.、Chang，A.X.、Savva，M.、Halber，M.，Funkhouser，T.、Nie\u00dfner，M.：Scannet：室内场景的丰富3D重建。收录：计算机视觉与模式识别（CVPR）论文集。IEEE（2017）“，“DOI”：“10.1109\/CVPR.2017.261”}，{“key”：“7_CR9”，“DOI-asserted-by”：“publisher”，“unstructured”：“DeTone，D.，Malisiewicz，T.，Rabinovich，A.：Superpoint：自监督兴趣点检测和描述。摘自：2018 IEEE\/CVF计算机视觉和模式识别研讨会（CVPRW），第337\u201333712页，2018年6月。https:\/\/doi.org\/10.109\/CVPRW.2018.00060“，”doi“：”10.1109\/CVPR.2018.00060“}，{“key”：“7_CR10”，“doi-asserted-by”：“crossref”，“unstructured”：“Eigen，D.，Fergus，R.：使用通用的多尺度卷积结构预测深度、表面法线和语义标签。摘自：IEEE计算机视觉国际会议论文集，pp.2650\u20132658（2015）“，“DOI”：“10.1109\/ICCV.2015.304”}，{“key”：“7_CR11”，“DOI-asserted-by”：“crossref”，“unstructured”：“Fu，H.，Gong，M.，Wang，C.，Batmanghich，K.，Tao，D.：用于单目深度估计的深度有序回归网络In:IEEE计算机视觉和模式识别会议论文集，pp.2002\u20132011（2018）“，“DOI”：“10.1109\/CVPR.2018.00214”}，{“key”：“7_CR12”，“series-title”：“计算机科学课堂笔记”，“DOI-asserted-by”：“publisher“，”first page“：”740“，”DOI“：”10.1007\/978-3-319-46484-8_45“，”volume-title“：”Computer Vision\u2013 ECCV 2016“，”author“：”R Garg“，”year“：”2016“，“unstructured”：“Garg，R.，B.G.，V.K.，Carneiro，G.，Reid，I.：无监督CNN进行单视图深度估计：几何救援。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9912卷，第740\u2013756页。查姆施普林格（2016）。https:\/\/doi.org/10.1007\/978-3-319-46484-8_45“｝，｛“key”：“7_CR13”，“doi断言者”：“crossref”，“非结构化”：“Godard，C.，Mac Aodha，O.，Brostow，G.J.：具有左右一致性的无监督单目深度估计。在：IEEE计算机视觉和模式识别会议论文集，pp.270\u2013279（2017）”，“doi”：“10.1109\/CVPR.2017.699“}，{“key”：“7_CR14”，“volume-title”：“Computer Vision中的多视图几何”，“author”：“R Hartley”，“year”：“2003”，“unstructured”：“Hartley，R.，Zisserman，A.：Computer Visual中的多视角几何。剑桥大学出版社，剑桥（2003）”}DOI“：”10.1109\/TPAMI.2015.2389824“，”volume“：”37“，”author“：”K He“，”year“：”2015“，”unstructured“：”He，K.，Zhang，X.，Ren，S.，Sun，J.：视觉识别深层卷积网络中的空间金字塔池。IEEE传输。模式分析。机器。智力。37（9），1904\u20131916（2015）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”7_CR16“，”doi-asserted-by“：”crossref“，”unstructured“：”He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。摘自：IEEE计算机视觉和模式识别会议论文集，第770\u2013778页（2016）“，”doi“：”10.1109\/CVPR.2016.90“}”，{“key”：“7_CR17”，“doi-assert-by”：“Crosref”，“unstructure”：“”Hou，Y.，Kannala，J.，Solin，A.：通过时间非参数融合实现多视角立体视觉。摘自：IEEE计算机视觉国际会议论文集，第2651\u20132660页（2019）“，“DOI”：“10.1109\/ICCV.2019.00274”}，{“key”：“7_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Huang，P.H.，Matzen，K.，Kopf，J.，Ahuja，N.，Huang。摘自：IEEE计算机视觉和模式识别会议记录，第2821\u20132830页（2018）“，“DOI”：“10.1109\/CVPR.2018.00298”}，{“key”：“7_CR19”，“unstructured”：“Im，S.，Jeon，H.G.，Lin，S..，Kweon，I.S.：DPSNET:端到端深平面扫描立体声。摘自：第七届国际学习表征会议，2019年ICLR。国际学习表征会议，ICLR（2019）“}，{“key”：“7_CR20”，“unstructured”：“Ioffe，S.，Szegedy，C.：批量规范化：通过减少内部协变量偏移加快深层网络训练。arXiv预印本arXiv:1502.03167（2015）”}，}，“key“：”7_CR21“，”doi-asserted-by“：”crossref“，“unsructured“：”Iskakov，K.，Burkov，E.，Lempitsky，V.，Malkov，Y.：人体姿势的可学习三角测量。摘自：IEEE计算机视觉国际会议论文集，第7718\u20137727页（2019）“，“DOI”：“10.1109\/ICCV.2019.00781”}，{“key”：“7_CR22”，“unstructured”：“Kendall，A.，Gal，Y.，Cipolla，R.：使用不确定性权衡场景几何和语义损失的多任务学习。摘自：IEEE计算机视觉和模式识别会议论文集，第7482\u20137491页（2018）“}，{“key”：“7_CR23”，“unstructured”：“Kendall，A.，Gal，Y.，Cipolla，R.：使用不确定性权衡场景几何和语义损失的多任务学习。摘自：《IEEE计算机视觉和模式识别会议论文集》，第7482\u20137491页（2018）“}，{“key”：“7_CR24”，“unstructured”：“Lasinger，K.，Ranftl，R.，Schindler，K.和Koltun，V.：走向稳健的单目深度估计：零快照交叉数据集传输的混合数据集。arXiv预印本arXiv:1907.01341（2019）”}7_CR25“，“非结构化”：“Lee，C.Y.，Xie，S.，Gallagher，P.，Zhang，Z.，Tu，Z.：深度监管网络。摘自：《人工智能与统计》，第562\u2013570页（2015）“}，{“key”：“7_CR26”，“unstructured”：“Lee，J.H.，Han，M.K.，Ko，D.W.，Suh，I.H.：从大到小：单目深度估计的多尺度局部平面制导。arXiv预印本arXiv:1907.10326（2019）”}，[{“密钥”：“7-CR27”，“非结构化”：“Liu，Y.、Shen，Z.、Lin，Z.，Peng，S.、Bao，H.、Zhou，X.：礼物：通过群CNN学习变换密集视觉描述符。摘自：《神经信息处理系统进展》，第6990\u20137001（2019）页“}，{“问题”：“2”，“关键”：“7_CR28”，“doi-asserted-by”：“出版商”，“首页”：“91”，“doi”：“10.1023\/B:VISI.0002964.99615.94”，“卷”：“60”，“作者”：“DG Lowe”，“年份”：“2004”，“非结构化”：“Lowe，D.G.：不同尺度关键点的图像特征。国际期刊。计算。愿景60（2），91\u2013110（2004）。https:\/\/doi.org\/10.1023\/B:VISI.0000029664.99615.94“，”journal-title“：”Int.J.Compute。Vision“}，{“key”：“7_CR29”，“doi-asserted-by”：“crossref”，“unstructured”：“Luo，X.，Huang，J.，Szeliski，R.，Matzen，K.，Kopf，J.:一致视频深度估计，第39卷，第4页（2020）”，“doi”：“10.1145 \/3386569.3392377”}，“key“：”7_CR30Ma，F.，Cavalheiro，G.V.，Karaman，S.：自监督稀疏到密集：激光雷达和单眼相机的自监督深度完成。2019年机器人与自动化国际会议（ICRA），第3288\u20133295页。IEEE（2019）“，”DOI“：”10.1109\/ICRA.2019.8793637“}，{“key”：“7_CR31”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ma，F.，Karaman，S.：稀疏深度样本和单个图像的深度预测（2018）”，“DOI”：“10.1109\/ICRA.2018.8460184”}，“issue”：“5”，“key“：”7_CR32“，”DOI-assert-by“：”publisher“，“first page”：”1147“，”DOI“：”10.1109 \/TRO.2015.2463671“，“卷”：“31”，“作者”：“R Mur-Artal”，“年份”：“2015”，“非结构化”：“Mur-Artar，R.，Montiel，J.M.，Tardos，J.D.：ORB-SLAM：一种通用且准确的单目SLAM系统。IEEE传输。罗布。31（5），1147\u20131163（2015）“，“期刊标题”：“IEEE Trans。罗布。“}，{”key“：”7_CR33“，”doi-asserted-by“：”crossref“，”unstructured“：”Murthy Jatavallabhula，K.，Iyer，G.，Paul，L.：gradSLAM：密集SLAM满足自动区分。arXiv预印本arXiv:1910.10672（2019）“，”doi“：”10.1109\/ICRA45.200.9197519“}”，{“key”：“7_CR34”，“unstructure”：“”Nist\u00e9r，D.，Naroditsky，O.，Bergen，J.：视觉里程计。2004年IEEE计算机学会计算机视觉和模式识别会议论文集，2004年。CVPR 2004，第1卷，p.I.IEEE（2004）“}，{“key”：“7_CR35”，“unstructured”：“Qi，C.R.，Su，H.，Mo，K.，Guibas，L.J.：Pointnet：三维分类和分割的点集深度学习。摘自：IEEE计算机视觉和模式识别会议论文集，pp.652\u2013660（2017）”}，}，“key“：”7_CR36“，”doi-asserted-by“：”crossref“，”非结构化“：”Riegler，G.，Osman Ulusoy，A.，Geiger，A.：Octnet：学习高分辨率的深度3D表示。摘自：IEEE计算机视觉和模式识别会议记录，第3577\u20133586页（2017）“，”DOI“：”10.1109\/CVPR.2017.701“}，{”key“：”7_CR37“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：医学图像计算和计算机辅助干预\u2013 MICCAI 2015”，“作者”：“O Ronneberger”，“年份”：“2015”，《非结构化》：“Ronneberge，O.，Fischer，P.，Brox，T.：U-Net:用于生物医学图像分割的卷积网络。收录人：Navab，N.、Horneger，J.、Wells，W.M.、Frangi，A.F.（编辑）MICCAI 2015。LNCS，第9351卷，第234\u2013241页。查姆施普林格（2015）。https:\/\/doi.org\/10007\/978-3-319-24574-4_28“}，{“key”：“7_CR38”，“doi-asserted-by”：“crossref”，“unstructured”：“Rublee，E.，Rabaud，V.，Konolige，K.，Bradski，G.：ORB：SIFT或SURF的有效替代品。摘自：2011年国际计算机视觉会议，pp.2564\u20132571。IEEE（2011）“，”DOI“：”10.1109\/ICCV.2011.6126544“}，{“key”：“7_CR39”，“DOI-asserted-by”：“crossref”，“unstructured”：“Sarlin，P.E.，DeTone，D.，Malisiewicz，T.，Rabinovich，A.：Superglue：与图神经网络匹配的学习特征。arXiv预印本arXiv:1911.11763（2019）”，“DOI”：“10.1109\/CVPR42600.2020.00499”}，}，“DOI-asserted-by”：“crossref”，“非结构化”：“Sinha，A.，Unmesh，A.，Huang，Q.，Ramani，K.：Surfnet:使用深度残差网络生成3D形状曲面。摘自：IEEE计算机视觉和模式识别会议论文集，第6040\u20136049页（2017）“，“DOI”：“10.1109\/CVPR.2017.91”}，{“key”：“7_CR41”，“unstructured”：“Tan，M.，Le，Q.V.:Efficientnet:重新思考卷积神经网络的模型缩放。arXiv预印本arXiv:1905.11946（2019）”}crossref“，”unstructured“：”Tan，M.，Pang，R.，Le，Q.V.：Efficientdet：可扩展且高效的对象检测。arXiv预印本arXiv:1911.09070（2019）“，“DOI”：“10.1109\/CVPR42600.2020.01079”}，{“key”：“7_CR43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ummenhofer，B.，et al.：Demon:用于学习单目立体视觉的深度和运动网络。摘自：IEEE计算机视觉和模式识别会议论文集，第5038\u20135047页（2017）”，“DOI:”10.1109\/CVPR.2017.596“}，{“key”：“7_CR44”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，K.，Shen，S.：Mvdepthnet：实时多视角深度估计神经网络。收录于：2018年国际3D视觉会议（3DV），第248\u2013257页。IEEE（2018）“，“DOI”：“10.1109\/3DV.2018.00037”}，{“key”：“7_CR45”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yao，Y.，Luo，Z.，Li，S.，Fang，T.，Quankey“：”7_CR46“，”series-title“：”计算机科学课堂讲稿“，”doi-asserted-by“：”publisher“，”first page“：“467”，”doi“：”10.1007\/978-3319-46466-4_28“，”volume-title“：“Computer Vision\u2013 ECCV 2016”，”author“：”KM Yi“，”year“：”2016“，”unstructured“：”Yi，K.M.，Trulls，E.，Lepetit，V.，Fua，P.:LIFT:学习不变特征变换。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9910卷，第467\u2013483页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46466-4_28“}，{“key”：“7_CR47”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhang，Y.，Funkhouser，T.：单个RGB-D图像的深度完成。摘自：IEEE计算机视觉和模式识别会议论文集，第175\u2013185页（2018）”，“doi”：“10.1109\/CVPR.2018.00026”}，}“issue”：“2”，“key“：”7_CR48“，”doi-asserted-by“：”publisher“，”first page“：”4“，”doi“：”10.1109\/MMUL.2012.24“，“volume”：“19”，“author”：“Z Zhang”，“year”：“2012”，“unstructured”：“Zhang，Z.：Microsoft kinect sensor及其效果。IEEE Multimedia 19（2），4\u201310（2012）”，“期刊标题”：“IEEE Multimedia”}]，“容器标题”：[“计算机视觉\u2013 ECCV 2020”，“计算机科学讲义”]，“原标题”：[]，“链接”：[{“URL”：“https:\/\/link.springer.com\/content/pdf\/10.1007\/978-3-030-58589-1_7”，“内容类型”：“未指定”，“内容版本”：“vor”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2021,4,24]]，”date-time“：”2021-04-24T04:28:51Z“，”timestamp“：1619238531000}，”score“：1，”resource“：”primary“：”{“URL”：“https:\/\/link.springer.com\/101007\/978-3030-58589-1_7”}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-part”：[[2020年]]}，“ISBN”：[“9783030585884”，“9783030585891“]，”引用计数“：48，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-58589-1_7“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，”type“：”print“}，{“value”：“1611-3399”，”类型“：”electronic“}]，”subject“：[]，”published“：{”date-pa rts“：[[2020]]}，”断言“：[{”值“：”2020年11月12日“，”订单“：1，”名称“：”first_online，“label”：“first online”，“group”：{“name”：“ChapterHistory”，“label:”Chapter History“}}，{“value”：“ECCV”，“order”：1，“name”:“conference_acrombit”，“table”：“conference_Acrombitor”，“group”：“{”name“：”ConferenceInfo“，”label“：”会议信息“}}}”，{”value“：”欧洲计算机视觉会议“，”order“：2，”name“conference_name”，“标签”：“会议名称“，”组“：{“Name”：“ConferenceInfo”，“label”：“conferenceInformation”}}，{“value”：“Glasgow”，“order”：3，“Name”:“Conference_city”，“标签”：“会议城市”，“group”：{名称“：”ConferenceInformo“，”label“：”会议信息“}}}会议信息“，”标签“：”会议信息“}}，{“value”：“2020”，“order”：5，“name”：“Conference_year”，“label”：“会议年”，“group”：{“name”:“ConferenceInfo”，“table”：“Conferency Information”}}、{“value”：“2020年8月23日”，“订单”：7，“name“Conference_start_date”，”标签：“会议开始日期”，“group”：{“name”∶“ConfernceInfo”会议信息“}}，{“value”：“2020年8月28日”，“order”：8，“name”：“Conference_end_date”，“label”：“Conference end date”，“group”：{“名称”：“会议信息”，“标签”：“会务信息”}}eccv2020“，”order“：10，”name“：”conference_id“，”label“：”会议id“，”group“：lind“，”order“：1，”name“：”type“，”label“：”Type“，”group“：”{“name”：“ConfEventPeerReviewInformation”，“label”：“Peer Review Information（由会议组织者提供）”}}，{“value”：“OpenReview”，“order”：2，“name”:“conference_management_system”，“标签”：“会议管理系统”，“group”：同行评审信息（由会议组织者提供）“}}，{“value”：“5025”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”27%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“7”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及的外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}，”{“value”：“会议实际上是由于新冠肺炎疫情而召开的。”，“order”：10，“name”：“additional_info_on_Review_process”，“label”：“”评审过程附加信息“，”组“：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”}}]}}