用于深度立体匹配的自适应单峰代价体滤波
计算机视觉与模式识别
2019-11-20 v2
摘要
最先进的基于深度学习的立体匹配方法将视差估计视为回归问题，其损失函数直接定义在真实视差与估计视差之上。然而，视差仅是由代价体建模的匹配过程的副产品，而由视差回归间接驱动、对代价体进行学习易致过拟合，因为代价体所受约束不足。本文中，我们提出通过对代价体以在真实视差处取峰值的单峰分布进行滤波，直接对代价体施加约束。此外，估计每个像素单峰分布的方差，以显式建模不同上下文下的匹配不确定性。所提架构在 Scene Flow 与两个 KITTI 立体基准上取得最优性能。特别地，我们的方法位列 KITTI 2012 评估第 名与 KITTI 2015 评估第 名（记录于 2019.8.20）。AcfNet 的代码见：https://github.com/DeepMotionAIResearch/DenseMatchingBenchmark。
引用
@article{arxiv.1909.03751,
title = {Adaptive Unimodal Cost Volume Filtering for Deep Stereo Matching},
author = {Youmin Zhang and Yimin Chen and Xiao Bai and Suihanjin Yu and Kun Yu and Zhiwei Li and Kuiyuan Yang},
journal= {arXiv preprint arXiv:1909.03751},
year = {2019}
}
备注
Accepted by AAAI 2020