用于立体匹配的内容感知跨尺度代价聚合
计算机视觉与模式识别
2020-06-08 v1
摘要
代价聚合是高精度深度估计中立体匹配的关键组件。多数方法使用多尺度处理对代价体进行下采样以获取恰当的上下文信息，但在上采样时会导致细节丢失。本文提出一种内容感知跨尺度代价聚合方法，通过学习动态滤波器权重，依据两尺度上左右视图的内容，自适应地将粗尺度代价体聚合与上采样至细尺度。我们的方法在上采样时通过跨尺度信息聚合实现可靠的细节恢复。此外，提出一种新颖的分解策略以高效构建 3D 滤波器权重并聚合 3D 代价体，大幅降低计算开销。我们首先通过两尺度上的特征图学习 2D 相似性，然后基于左右视图的 2D 相似性构建 3D 滤波器权重。此后，我们将完整 3D 空间-视差空间的聚合拆分为 1D 视差空间与 2D 空间空间的聚合。在 Scene Flow 数据集、KITTI2015 和 Middlebury 上的实验结果表明了方法的有效性。
引用
@article{arxiv.2006.03209,
title = {Content-Aware Inter-Scale Cost Aggregation for Stereo Matching},
author = {Chengtang Yao and Yunde Jia and Huijun Di and Yuwei Wu and Lidong Yu},
journal= {arXiv preprint arXiv:2006.03209},
year = {2020}
}
备注
19 pages, 14 figures, 5 tables