Active-Passive SimStereo——基于深度学习的立体匹配方法跨泛化能力基准测试
计算机视觉与模式识别
2022-09-20 v1
摘要
在立体视觉中，自相似或平淡区域会使两幅图像间的块匹配变得困难。基于主动立体的方法通过将伪随机图案投影到场景上来缓解此问题，从而无歧义地识别每个图像对的块。然而，投影图案显著改变了图像外观。若该图案作为一种对抗性噪声，可能对基于深度学习的方法性能产生负面影响，而后者如今已是稠密立体视觉的事实标准。本文提出 Active-Passive SimStereo 数据集及相应基准，以评估被动与主动立体图像间针对立体匹配算法的性能差距。利用所提基准及一项额外的消融研究，我们表明所选二十种基于深度学习的立体匹配方法的特征提取与匹配模块可无问题地泛化到主动立体。然而，其中三种架构（ACVNet、CascadeStereo 与 StereoNet）的视差细化模块因其对输入图像外观的依赖而受到主动立体图案的负面影响。
引用
@article{arxiv.2209.08305,
title = {Active-Passive SimStereo -- Benchmarking the Cross-Generalization Capabilities of Deep Learning-based Stereo Methods},
author = {Laurent Jospin and Allen Antony and Lian Xu and Hamid Laga and Farid Boussaid and Mohammed Bennamoun},
journal= {arXiv preprint arXiv:2209.08305},
year = {2022}
}
备注
22 pages, 12 figures, accepted in NeurIPS 2022 Datasets and Benchmarks Track