CFNet：基于级联与融合代价体稳健立体匹配网络
计算机视觉与模式识别
2021-04-12 v1
摘要
近年来，大规模标注数据集容量的不断增长推动了立体匹配领域的显著进展。然而，这些成功大多局限于特定数据集，难以很好地泛化到其他数据集。主要困难在于不同数据集之间存在较大的域差异以及视差分布不均衡，这极大限制了当前深度立体匹配模型在真实场景中的适用性。本文提出 CFNet，一种基于级联与融合代价体（Cascade and Fused cost volume）的网络，以提升立体匹配网络的稳健性。首先，我们提出融合代价体表示以应对较大的域差异。通过融合多个低分辨率稠密代价体以扩大感受野，我们能够提取稳健的结构表示用于初始视差估计。其次，我们提出级联代价体表示以缓解视差分布不均衡问题。具体而言，我们采用基于方差的不确定性估计来自适应调整下一阶段的视差搜索空间，从而驱动网络逐步剪除不可能匹配对应的空间。通过迭代缩小视差搜索空间并提升代价体分辨率，视差估计以由粗到精的方式逐步细化。在使用相同训练图像训练、并以固定模型参数与超参数在 KITTI、ETH3D 和 Middlebury 数据集上评估时，我们所提方法取得了最先进（state-of-the-art）的综合性能，并在 Robust Vision Challenge 2020 的立体任务中获得第 1 名。代码将发布于 https://github.com/gallenszl/CFNet。
引用
@article{arxiv.2104.04314,
title = {CFNet: Cascade and Fused Cost Volume for Robust Stereo Matching},
author = {Zhelun Shen and Yuchao Dai and Zhibo Rao},
journal= {arXiv preprint arXiv:2104.04314},
year = {2021}
}
备注
accepted by CVPR2021