面向立体匹配网络的对偶网格学习
计算机视觉与模式识别
2021-03-30 v2
摘要
立体匹配网络的实时性能对于自动驾驶、机器人导航和增强现实（AR）等诸多应用十分重要。尽管近年来立体匹配网络取得了显著进展，但在实时性与精度之间取得平衡仍具挑战。本文提出一种基于学习型对偶网格中切片操作的保边代价体上采样模块。该切片层无需参数，使我们能够在学习型引导图的引导下，高效地从低分辨率代价体获得高质量的高分辨率代价体。所提出的代价体上采样模块可无缝嵌入 GCNet、PSMNet 和 GANet 等许多现有立体匹配网络，所得网络在保持相当精度的同时提速数倍。此外，我们基于该模块设计了一个实时网络（名为 BGNet），其在 KITTI 立体数据集上优于现有已发表的实时深度立体匹配网络以及一些复杂网络。代码见 https://github.com/YuhuaXu/BGNet。
引用
@article{arxiv.2101.01601,
title = {Bilateral Grid Learning for Stereo Matching Networks},
author = {Bin Xu and Yuhua Xu and Xiaoli Yang and Wei Jia and Yulan Guo},
journal= {arXiv preprint arXiv:2101.01601},
year = {2021}
}
备注
CVPR 2021