AANet：用于高效立体匹配的自适应聚合网络

尽管基于学习的立体匹配算法取得了显著进展，一个关键挑战仍未解决。当前最先进的立体模型大多基于代价高昂的 3D 卷积，其立方计算复杂度和高内存消耗使其在实际应用中的部署相当昂贵。本文旨在完全替代常用的 3D 卷积，以在保持可比精度的同时实现快速推理速度。为此，我们首先提出一种基于稀疏点的尺度内代价聚合方法，以缓解视差不连续处众所周知的边缘变厚问题。进一步，我们用神经网络层近似传统的跨尺度代价聚合算法，以处理大无纹理区域。两个模块均简单、轻量且互补，从而构成一个有效且高效的代价聚合架构。借助这两个模块，我们不仅能显著加速现有顶尖模型（如比 GC-Net 快 $41\times$、比 PSMNet 快 $4\times$、比 GA-Net 快 $38\times$），还能提升快速立体模型（如 StereoNet）的性能。我们在 Scene Flow 和 KITTI 数据集上也取得了具竞争力的结果，同时运行时间为 62ms，展示了所提方法的通用性与高效率。我们的完整框架见 https://github.com/haofeixu/aanet 。