【立体匹配】双目深度估计 论文综述及数据集汇总 Deep Stereo Matching paper review and datasets

已于 2024-12-01 17:41:30 修改
阅读量9.7k 收藏 134
点赞数 19
分类专栏： # 立体匹配论文 文章标签： 计算机视觉 深度学习 视觉检测 相机标定 双目深度估计
于 2022-01-09 00:04:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35200351/article/details/122388213
版权
本文综述了双目深度估计领域的最新研究进展，包括多种立体匹配算法及数据集，并介绍了相关模型如StereoNet、SingleView Stereo Matching等。还探讨了双目立体视觉的基本流程和技术难点。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

双目深度估计 立体匹配 论文综述及数据集汇总 paper review and dataset

找论文搭配 Sci-Hub 食用更佳 💪
Sci-Hub 实时更新 : https://tool.yovisun.com/scihub/
公益科研通文献求助：https://www.ablesci.com/👍

paper list // CV方向数据集汇总 👀
立体匹配算法排行榜：KITTI 立体匹配算法排行榜，Middlebury 立体匹配算法排行榜.

计算机视觉中利用两个相机从两个视点对同一个目标场景获取两个视点图像，再计算两个视点图像中同点的视差获得目标场景的3D深度信息。典型的双目立体视觉计算过程包含下面5个步骤：双目相机标定、图像畸变矫正、立体图像对校正、左右图像匹配和三角法重投影视差图计算。其难点在于光照信息和视差估计及标定。

相机通过目标物体表面的反射光将空间三维物体转化为平面二维图像，而双目立体视觉是相机成像的逆过程，即以两台相机模拟人眼，通过计算两幅图像对应点间的位置差异并基于视差原理得到物体的三维几何信息，实现三维重建及还原。
在这里插入图片描述
求解相机光心位置到二维成像平面和真实三维空间的转换关系(参数矩阵)的过程被称为相机标定，因此，相机标定的准确性对三维重建精度有很大影响。目前常见的相机标定的方法有：摄影测量学的传统标定方法，精度高计算复杂；直接线性变换法，忽略畸变，计算简化，精度低；Tsai两步法；基于 Kruppa方程的自标定方法；张正友标定法；

双目立体视觉所使用的特征点是人工放置的具有特定形状的标志点，而圆形标志点因为在摄影变换下能够保持椭圆形状不变，方便提取和识别而被广泛使用。由于传感器采集到的图像信息中都存在噪声，所以在特征点提取前要对图像进行预处理，通常采取图像滤波方法来降低噪声。由于三维重建需要还原待测物体的深度信息，因此一般采用基于灰度变化的提取算法，基于某一点的灰度值与周围不同的思想进行比较和提取。

双目立体视觉中最为关键的技术是图像的匹配。左右相机由于所处空间位置的不同，拍摄得到的图像在成像平面上会存在水平和深度视差，从而导致两幅图像存在差异。通过左右图像中相同点的准确匹配，这种差异可以被消除。

三维重建可以看作物体通过相机成像的逆过程，和人们用双眼观察三维空间中的物体是相似的。三维重建的原理是基于之前的图像获取、相机标定、特征提取和立体匹配等工作，获得相机的内外参数以及图像特征点的对应关系，最终利用视差原理和三角测量原理得到三维坐标，恢复被测物体的深度信息，实现三维重建。

Paper

0. End-to-End Learning of Geometry and Context for Deep Stereo Regression

在这里插入图片描述

1. StereoNet: Guided Hierarchical Refinement for Real-Time Edge-Aware Depth Prediction

arxiv.org/pdf/1807.08865.pdf
复现代码：meteorshowers/StereoNet
在这里插入图片描述

2. Single View Stereo Matching

https://arxiv.org/pdf/1803.02612.pdf
https://github.com/lawy623/SVS

单视图双目匹配模型(Single View Stereo Matching, SVS)把单目深度估计分解为两个子过程—视图合成过程和双目匹配过程。
在这里插入图片描述
模型的视图合成过程由视图合成网络完成，输入左图，网络合成该图像对应的右图；双目匹配过程由双目匹配网络完成，输入左图以及合成的右图，预测出左图每一个像素的视差值。
在这里插入图片描述
视图合成网络： 首先把左图平移多个不同像素距离，得到多张不同的图片，再使用神经网络预测组合系数，把多张平移后的左图和预测的系数组合得到预测的右图。具体就是视图合成网络基于Deep3D (ECCV2016)模型，通过输入一张左图，主干网络对其提取不同尺度的特征，再经过上采样层把不同尺度的特征统一至同一个尺寸，然后经过累加操作融合成输出特征并预测出概率视差图，最后经过选择模块(selection module)结合概率视差图以及输入的左图，得到预测的右图。

双目匹配网络： 双目匹配需要把左图像素和右图中其对应像素进行匹配，再由匹配的像素差算出左图像素对应的深度，而之前的单目深度估计方法均不能显式引入类似的几何约束。由于深度学习模型的引入，双目匹配算法的性能近年来得到了极大的提升。本文的双目匹配网络基于DispNet(CVPR2016)模型, 该模型在KITTI双目匹配数据集上能够达到理想的精度，左图以及合成的右图经过几个卷积层之后，得到的特征会经过1D相关操作(correlation)。相关操作被证明在双目匹配深度学习算法中起关键性的作用，基于相关操作，本文方法显式地引入几何约束；其得到的特征图和左图提取到的特征图进行拼接作为编-解码网络的输入，并最终预测视差图。

3. Zoom and Learn: Generalizing Deep Stereo Matching to Novel Domains

https://arxiv.org/pdf/1803.06641

4. Self-Supervised Learning for Stereo Matching with Self-Improving Ability

5. Unsupervised Learning of Stereo Matching

6. Pyramid Stereo Matching Network

7. Learning for Disparity Estimation through Feature Constancy

8. SegStereo: Exploiting Semantic Information for Disparity

9. DispSegNet: Leveraging Semantics for End-to-End Learning of Disparity Estimation from Stereo Imagery

  1. Hierarchical Discrete Distribution Decomposition for Match Density Estimation
    在这里插入图片描述

  2. https://paperswithcode.com/paper/srh-net-stacked-recurrent-hourglass-network test.py

  3. https://paperswithcode.com/paper/generalized-closed-form-formulae-for-feature C++

  4. https://paperswithcode.com/paper/plantstereo-a-stereo-matching-benchmark-for 985??

  5. https://paperswithcode.com/paper/rational-polynomial-camera-model-warping-for 武大遥感

  6. https://paperswithcode.com/paper/resdepth-a-deep-prior-for-3d-reconstruction 遥感3D重建

  7. https://paperswithcode.com/task/stereo-matching-1/latest

  8. https://paperswithcode.com/paper/global-local-path-networks-for-monocular ing

  9. https://github.com/ArminMasoumian/GCN Depth/blob/main/mono/apis/trainer.py

  10. https://github.com/hyBlue/FSRE-Depth

  11. https://github.com/YvanYin/DiverseDepth soon

  12. https://github.com/iro-cp/FCRN-DepthPrediction

双目：

  1. CFNet: Cascade and Fused Cost Volume for Robust Stereo Matching https://github.com/gallenszl/CFNet Pretrained
  2. ESNet: An Efficient Stereo Matching Network https://github.com/macrohuang1993/ESNet
  3. Hierarchical Neural Architecture Searchfor Deep Stereo Matching [NeurIPS 20] https://github.com/XuelianCheng/LEAStereo
  4. YOLOStereo3D: A Step Back to 2D for Efficient Stereo 3D Detection https://github.com/Owen-Liuyuxuan/visualDet3D
  5. Domain-invariant Stereo Matching Networks https://github.com/feihuzhang/DSMNet
  6. Cascade Cost Volume for High-Resolution Multi-View Stereo and Stereo Matching https://github.com/alibaba/cascade-stereo/tree/master/CasStereoNet
  7. FADNet: A Fast and Accurate Network for Disparity Estimation https://github.com/HKBU-HPML/FADNet released the pre-trained Scene Flow model.
  8. AANet: Adaptive Aggregation Network for Efficient Stereo Matching, CVPR 2020 https://github.com/haofeixu/aanet
  9. RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching https://github.com/princeton-vl/raft-stereo pretrained
  10. MobileStereoNet: Towards Lightweight Deep Networks for Stereo Matching https://github.com/cogsys-tuebingen/mobilestereonet pretrained
  11. Correlate-and-Excite: Real-Time Stereo Matching via Guided Cost Volume Excitation https://github.com/antabangun/coex
  12. Pyramid Stereo Matching Network https://github.com/JiaRenChang/PSMNet pretrained
  13. Anytime Stereo Image Depth Estimation on Mobile Devices https://github.com/mileyan/AnyNet pretrained
  14. StereoNet: Guided Hierarchical Refinement for Real-Time Edge-Aware Depth Prediction https://github.com/andrewlstewart/StereoNet_PyTorch

单目：

  1. M4Depth: A motion-based approach for monocular depth estimation on video sequences https://github.com/michael-fonder/M4Depth pretrained
  2. Towards Interpretable Deep Networks for Monocular Depth Estimation https://github.com/youzunzhi/interpretablemde pretrained
  3. StructDepth: Leveraging the structural regularities for self-supervised indoor depth estimation https://github.com/sjtu-visys/structdepth pretrained
  4. Photon-Starved Scene Inference using Single Photon Cameras https://github.com/bhavyagoyal/spclowlight/tree/master/monodepth
  5. Single Image Depth Prediction with Wavelet Decomposition https://github.com/nianticlabs/wavelet-monodepth/tree/main/KITTI pretrained
  6. Boosting Monocular Depth Estimation Models to High-Resolution via Content-Adaptive Multi-Resolution Merging https://github.com/compphoto/BoostingMonocularDepth
  7. GCNDepth: Self-supervised Monocular Depth Estimation based on Graph Convolutional Network https://github.com/arminmasoumian/gcndepth
  8. From Big to Small: Multi-Scale Local Planar Guidance for Monocular Depth Estimation https://github.com/cleinc/bts
  9. High Quality Monocular Depth Estimation via Transfer Learning https://github.com/ialhashim/DenseDepth
  10. DORN: Deep Ordinal Regression Network for Monocular Depth Estimation https://github.com/hufu6371/DORN caffe pretrained
  11. Channel-Wise Attention-Based Network for Self-Supervised Monocular Depth Estimation https://github.com/kamiLight/CADepth-master pretrained
  12. Self-Supervised Monocular Depth Estimation with Internal Feature Fusion(arXiv) https://github.com/brandleyzhou/DIFFNet pretrained

Dataset

1.KITTI

A. Geiger, P. Lenz, and R. Urtasun. Are we ready for autonomous driving? the kitti vision benchmark suite. In CVPR, 2012. 2, 4. https://gas.graviti.cn/dataset/hello-dataset/KITTIStereo2015/download http://www.cvlibs.net/datasets/kitti/

2. Flyingthings3D

https://lmb.informatik.uni-freiburg.de/resources/datasets/SceneFlowDatasets.en.html

ReDWeb V1 datase https://sites.google.com/site/redwebcvpr18/

3. InStereo2K

https://gitcode.net/mirrors/YuhuaXu/StereoDataset?utm_source=csdn_github_accelerator

4. https://www.eth3d.net/overview

eth3d
在这里插入图片描述

5. http://vision.middlebury.edu/stereo/

middlebury 三种大小的分辨率
在这里插入图片描述

【OpenCV】双目相机计算深度图和点云
old_power的博客
02-13 2399
双目相机计算深度图的基本原理是通过两台相机从不同角度拍摄同一场景，然后利用视差来计算物体的距离。本文的Python实现示例，使用OpenCV库来处理图像和计算深度图。
立体匹配十大概念综述
08-22 6198
一、概念         立体匹配算法主要是通过建立一个能量代价函数，通过此能量代价函数最小化来估计像素点视差值。立体匹配算法的实质就是一个最优化求解问题，通过建立合理的能量函数，增加一些约束，采用最优化理论的方法进行方程求解，这也是所有的病态问题求解方法。 二、主要立体匹配
双目立体匹配
01-06
双目立体匹配 https://blog.csdn.net/m0_37604894/article/details/81020846 https://www.cnblogs.com/ding-jing/p/8654137.html 1 视差生成深度 公式．．． 2 全局方法 其中数据项描述了匹配程度，平滑项体现了定义场景的约束，C是匹配代价（或称penalty），P是不同两像素p和q视差的函数，一般称之为平滑项． 考虑到能量优化问题在一维空间的复杂度是多项式级的，因此一些研究试图做一些近似来降低算法的复杂度。例如，半全局算法（SGM）就利用了这一特性将二维问题简化为8到16个一维问题，以实现一
CVPR‘2023 | Nerf-Stereo: 利用NeRF来训练双目立体匹配网络的新范式！
专注计算机视觉全栈知识分享
04-19 1410
论文提出了一个开创性的pipeline，利用NeRF来训练深度立体匹配网络，而不需要ground truth深度或立体摄像机。通过用一个低成本的手持相机捕捉图像，通过论文提出的NeRF-Supervised范式生成成千上万的立体对进行训练。这种方法导致了最先进的Zero-Shot泛化，超越了自监督和监督的方法。论文的工作代表了数据民主化的重大进步，将成功的关键交到了用户手中。
温故而知新 | 基于双目视觉的深度估计综述（顶刊TPAMI）
CV_Autobot的博客
10-25 4439
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【深度估计综述】获取单目、双目深度估计等近5年内所有综述！摘要 从RGB图像估计深度是一个长期存在的不适定问题，计算机视觉、图形和机器学习社区已经探索了几十年。在现有技术中，双目匹配仍然是文献中使用最广泛的技术之一，因为它与人类双目系统有很强的联系。传统算法通过在多个图像中匹配人工设计特征来完...
真实的双目立体匹配的数据集以及后续的三维重建的工作
nbxuwentao的博客
05-29 2265
reference： https://www.cnblogs.com/riddick/p/8486223.html 这里面的数据集平台可以以后用，但是双目的三维重建，还是需要自己用真实场景的数据，这样整个流程就会非常的清楚明了 ...
CVPR 2025 满分论文！英伟达开源：双目深度估计大模型FoundationStereo
最新发布
阿木寺的博客
04-07 303
我们在 PyTorch 中实现了 FoundationStereo 模型，使用混合数据集进行训练，包括我们提出的 FSD 数据集以及 Scene Flow、Sintel、CREStereo、FallingThings、InStereo2K 和 Virtual KITTI 2 等公开数据集。训练时使用 22 次 GRU 迭代更新，而在后续实验中（除非特别说明），我们使用相同的基础模型进行零样本推理，采用 32 次精炼迭代和 416 的最大视差范围。现有方法依赖目标域微调，且受限于网络结构或数据规模。
双目立体匹配测试数据集Middlebury Stereo Datasets
10-31
双目立体匹配测试数据集Middlebury Stereo Datasets，包含Middlebury Stereo官网上面的03,05,06年的三部分数据集，01,14年的数据集下载失败，分享给大家。
双目立体匹配 等 算法 论文 综述 全局局部算法 CSCA NLCA SegmentTree树 DoubleBP Belief-Propagation AD-Census SGM
万有文的博客
11-02 1万+
双目立体匹配 等 算法 论文 综述 本文GITHUB 双目立体视觉技术实质就是模拟人的双眼视觉处理系统来处理通过摄像机采集所 获取的图像，它利用两台或多台摄像机在一定约束条件下采集同一场景的图像，对采集 到的图像进行信息提取和整合，最终恢复图像中场景的三维信息。 基于双目视觉的立体匹配算法研究涉及模式识别、人工智能、机器视觉、计算机图 形学等领域的许多相关复杂的研究课题。随着许多著名专家学者对...
双目立体匹配_StereoNet网络
Twilight737的博客
11-07 6441
传统立体匹配算法通常选取立体校正后的左视图作为参考图像，通过在目标图像上进行行搜索寻找同名点并计算视差，将每个像素的视差进行保存，得到单通道的视差图。距离相机越近的空间点，在视差图中灰度值越大。传统立体匹配算法将双目立体匹配问题转化寻找最小化能量函数的图D问题，此处的D可以时深度图或视差图，因此在深度学习领域立体匹配又被成为视差估计、深度估计。
双目估计方法_基于深度学习的单目深度估计综述
weixin_39793319的博客
11-21 1833
前言前段时间有思考过结合3D信息来辅助多目标跟踪任务，不过效果没有达到我的预期。一方面是多目标跟踪相关数据集除了KITTI之外缺乏多任务标注信息，另一方面单目深度估计对于密集拥挤人群的效果很差。所以我觉得对于稀疏场景、车辆跟踪或者提供真实3D信息和相机信息的场景任务更有意义。下面的总结主要是我2019年初整理的文献，时效性可能还没跟上。很多图都是我从我之前整理的word里面复制出来的，所以有些模糊...
立体视觉立体匹配综述
07-06
最新的立体匹配综述文献，内容很全面和基础，基本攘括了以往常用的立体匹配方法。可作为学习和深入了解立体匹配的参考。
KITTI 2012/2015双目立体匹配(stereo matching)数据集百度云下载-附件资源
03-02
KITTI 2012/2015双目立体匹配(stereo matching)数据集百度云下载-附件资源
双目立体匹配测试数据集及视差图
11-26
用于双目立体匹配的测试数据集，包含标准视差图，整合了2001、2003、2005、2006四年的数据集
双目立体匹配图片集，很多经典图片对（4对图片）
02-24
双目立体匹配图片集，很多经典图片对，大多经典论文中都有用到，做立体匹配的朋友可以下载。
自动驾驶最全基础知识、课程、论文、数据集、开源软件等资源整理分享
lqfarmer的博客
11-20 2432
自动驾驶汽车（Autonomous vehicles）又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。 资源整理自网络，源地址：https://github.com/manfreddiaz/awesome-autonomous-vehicles ...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
Efficient Deep Learning for Stereo Matching
网瘾少年康复中心
05-16 2388
摘：product layer计算双塔结构网络的内积。问题是多分类识别问题，类别是各种可能的偏移，可以获得矫正得分，与现在的方法相比匹配效果更好。 介： 以前，给一个左图，然后网络判断右图是不是一个合适的匹配。这是一个二分类。相反，这篇文章设计匹配网络可以产生精确的结果。为了达到这样的效果，产生一个product层来计算双塔结构的两个表示的内积。将此类问题看成多分类问题，每一类都是可能的偏移。
单目/双目深度估计论文
shilling_bai的博客
11-24 542
1.基于左右一致性的无监督单目深度估计 Unsupervised monocular depth estimation with left-right consistency OniroAI/MonoDepth-PyTorch: Unofficial implementation of Unsupervised Monocular Depth Estimation neural network MonoDepth in PyTorch (github.com) loss由三部分组成： （外观匹配
div2k数据集怎么获取SR
03-20
### 如何下载和使用 DIV2K 数据集进行超分辨率处理 #### 数据集概述 DIV2K 数据集是一个广泛应用于图像超分辨率研究的高质量数据集[^1]。它由 1000 张高分辨率图像组成，其中 800 张用于训练（`DIV2K_train_HR`），100 张用于验证（`DIV2K_valid_HR`）。为了实现超分辨率任务，通常需要将这些高分辨率图像转换为对应的低分辨率版本。 --- #### 下载步骤 可以通过官方或其他可信渠道获取 DIV2K 数据集。以下是具体的操作指南： 1. **访问官方网站或共享链接** 官方网站提供了详细的下载指引，或者可以直接通过以下链接下载： - [DIV2K 数据集](http://data.vision.ee.ethz.ch/cvl/DIV2K/) 或者其他镜像站点[^4]。 2. **解压文件** 将下载好的压缩包解压至目标路径。解压后应能看到 `DIV2K_train_HR` 和 `DIV2K_valid_HR` 文件夹及其内部的高分辨率图片。 3. **安装依赖工具** 如果计划利用 TensorFlow 工具加载数据集，则需先安装必要的 Python 库： ```bash pip install tensorflow-datasets ``` 4. **加载数据集** 利用 TensorFlow 提供的功能自动加载数据集： ```python import tensorflow_datasets as tfds # 构建并下载 DIV2K 数据集 div2k_builder = tfds.builder("div2k") div2k_builder.download_and_prepare() # 获取训练集与验证集 train_ds, validation_ds = div2k_builder.as_dataset(split=["train", "validation"]) ``` --- #### 数据预处理 在实际应用前，需要对原始高分辨率图像执行降采样操作以生成低分辨率输入图像。这一步骤对于超分辨率模型至关重要[^2]。 1. **定义缩放因子** 假设希望构建 ×2 超分辨率任务，则设置缩放比例为 2。 2. **编写脚本** 使用 OpenCV 或 PIL 等库完成图像尺寸调整： ```python from PIL import Image import os def resize_image(input_path, output_path, scale_factor=2): with Image.open(input_path) as img: w, h = img.size new_size = (w // scale_factor, h // scale_factor) resized_img = img.resize(new_size, resample=Image.BICUBIC) resized_img.save(output_path) input_dir = 'path/to/DIV2K_train_HR' output_dir = 'path/to/train_LR_bicubic/X2' if not os.path.exists(output_dir): os.makedirs(output_dir) for filename in os.listdir(input_dir): if filename.endswith('.png'): input_file = os.path.join(input_dir, filename) output_file = os.path.join(output_dir, filename) resize_image(input_file, output_file, scale_factor=2) ``` 3. **保存结果** 预处理后的低分辨率图像应当存放在独立目录下以便后续调用。 --- #### 模型训练与验证 基于准备完毕的数据集，可以选择经典的超分辨率算法如 SRCNN、ESPCN 进行实验[^3]。 1. **导入必要模块** ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, UpSampling2D ``` 2. **搭建网络架构** 示例代码展示了一个简单的卷积神经网络设计： ```python model = Sequential([ Conv2D(64, kernel_size=(9, 9), activation='relu', padding='same', input_shape=(None, None, 3)), Conv2D(32, kernel_size=(1, 1), activation='relu', padding='same'), Conv2D(3, kernel_size=(5, 5), activation='linear', padding='same') ]) model.compile(optimizer='adam', loss='mse') ``` 3. **启动训练过程** 结合之前创建的高低分辨率配对样本开展迭代优化： ```python history = model.fit(train_lr_images, train_hr_images, epochs=10, batch_size=16, validation_data=(val_lr_images, val_hr_images)) ``` --- #### 注意事项 - 数据量庞大，建议配置充足的磁盘容量以及高效的硬件支持运算效率。 - 若采用自定义方式生成 LR 图片，请务必保持一致性的随机种子设定以免引入偏差。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

yddcs

你的鼓励--创作的动力！！！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值