面向内河航道的轻量级目标驱动立体匹配网络

内河航道的立体匹配是无人人工浮动平台（USVs）自主导航的关键技术之一，涉及将立体图像划分为参考图像和目标图像进行像素级匹配。然而，由于内河环境的挑战，如纹理模糊、较大的空间尺度以及 USVs 平台的计算资源受限，需要充分利用来自目标图像的几何特征，以实现高效的目标驱动匹配。基于此目标驱动概念，我们提出了一种轻量级目标驱动立体匹配神经网络，命名为 LTNet。具体而言，设计了一种轻量且高效的 4D 成本体积，称为几何目标体（GTV），通过采用偏移后的目标特征作为滤波特征体，充分利用目标特征的几何信息。随后，为解决水路环境中显著的纹理干扰和目标遮挡问题，提出了左-右一致性细化（LRR）模块。该 LRR 模块利用左右视差像素级差异引入软约束，从而在网络中间阶段提高预测准确性。此外，还利用知识蒸馏来增强轻量化模型在 USVInland 数据集上的泛化能力。进一步，使用一个新的大规模基准数据集，称为 Spring，以验证 LTNet 在各种场景中的适用性。在上述两个数据集上的实验中，LTNet 实现了具有竞争力的结果，仅需 370 万参数。代码已公开于 https://github.com/Open-YiQingZhou/LTNet。