面向半稠密主动立体视觉视差图细化的贝叶斯学习
计算机视觉与模式识别
2022-09-13 v1
摘要
近期立体视觉发展的一个主要焦点是如何在被动立体视觉中获得准确的稠密视差图。与被动立体相比，主动视觉系统能够实现更精确的稠密视差估计。然而，亚像素级精度的视差估计仍是一个鲜受关注的开放问题。在本文中，我们提出一种新的学习策略来训练神经网络，以估计半稠密主动立体视觉的高质量亚像素视差图。其核心见解是：如果神经网络能够联合学习如何细化视差图，同时剔除那些信息不足以修正视差估计的像素，其精度可翻倍。我们的方法基于贝叶斯建模，其中有效与无效像素由其随机属性定义，使模型能自行学习应关注哪些像素。利用Active-Passive SimStereo等主动立体数据集，我们证明了所提方法优于当前最先进的主动立体模型。我们还证明，在Middlebury数据集上，所提方法与最先进的被动立体模型相比也具有优势。
引用
@article{arxiv.2209.05082,
title = {Bayesian Learning for Disparity Map Refinement for Semi-Dense Active Stereo Vision},
author = {Laurent Valentin Jospin and Hamid Laga and Farid Boussaid and Mohammed Bennamoun},
journal= {arXiv preprint arXiv:2209.05082},
year = {2022}
}
备注
15 pages, 15 figures