深度学习辅助的高分辨率双目立体深度重建
计算机视觉与模式识别
2020-03-03 v2 机器人学
摘要
本工作提出使用高分辨率图像进行基础设施检测中的稠密立体重建。最先进的立体重建方法，无论基于学习还是非学习，在高分辨率数据上消耗过多计算资源。近期基于学习的方法在大多数基准上取得顶尖排名。然而，由于缺少任务特定训练数据，它们存在泛化问题。我们提议使用一种计算资源需求较低的非学习方法，由基于学习的模型引导，以处理高分辨率图像并实现准确立体重建。深度学习模型对下采样立体图像对中的每个像素产生带不确定性的初始视差预测。该不确定性作为对其泛化能力的自度量，以及初始预测视差周围的逐像素搜索范围。下游过程执行改进版的半全局块匹配（Semi-Global Block Matching）方法，使用上采样的逐像素搜索范围。所提出的深度学习辅助方法在 Middlebury 数据集和我们定制双目立体相机采集的高分辨率立体图像上评估。学习与不学习方法的结合在 Middlebury 数据集 15 个案例中 12 个取得更好性能。在我们的基础设施检测实验中，平均 3D 重建误差小于 0.004m。
引用
@article{arxiv.1912.05012,
title = {Deep-Learning Assisted High-Resolution Binocular Stereo Depth Reconstruction},
author = {Yaoyu Hu and Weikun Zhen and Sebastian Scherer},
journal= {arXiv preprint arXiv:1912.05012},
year = {2020}
}
备注
Submitted to International Conference on Robotics and Automation (ICRA2020)