SGM 变体（含新变体 tMGM）用于稠密立体匹配的比较评估
计算机视觉与模式识别
2019-11-25 v1
摘要
我们此处的目标有三方面：[1] 提出一种新的稠密立体匹配算法 tMGM，它通过结合 tSGM 的层次化逻辑与 MGM 的支撑结构，相比基线 SGM 实现了 6-8% 的性能提升（这些性能数据发布于 Middlebury Benchmark V3 中的 tMGM-16 下）；以及 [2] 通过详尽的定量与定性比较研究，比较 SGM 稠密立体匹配方法的主要变体（包括新的 tMGM）在以下情况中的表现：(a) 光照变化与阴影，(b) 无纹理或弱纹理区域，(c) 场景中存在大立体校正误差时的重复模式。[3] 提出一种新颖的 DEM-Sculpting 方法，用于估计多时相卫星立体对的初始视差搜索范围。基于我们的研究，我们发现 tMGM 相对于所有这些数据条件通常表现最佳。tSGM 和 MGM 均提高了立体视差图的密度，而在 tMGM 中将两者结合使得能够准确估计大量像素的视差，否则这些像素会被 SGM 判定为无效。我们在比较评估中使用的数据集包括 Middlebury2014、KITTI2015 和 ETH3D 数据集，以及来自 MVS Challenge 数据集的圣费尔南多地区卫星图像。
引用
@article{arxiv.1911.09800,
title = {A Comparative Evaluation of SGM Variants (including a New Variant, tMGM) for Dense Stereo Matching},
author = {Sonali Patil and Tanmay Prakash and Bharath Comandur and Avinash Kak},
journal= {arXiv preprint arXiv:1911.09800},
year = {2019}
}