基于稠密 CRF 先验的深度立体匹配
计算机视觉与模式识别
2017-01-26 v2
摘要
近年来，在深度学习的背景下，从校正图像进行立体重建被重新审视。使用深度卷积神经网络获取逐块匹配代价体，已在 Middlebury 和 Kitti 等经典数据集上取得了最先进的立体重建结果。通过将此代价引入经典立体流程，最终结果较非学习的代价模型有了显著提升。然而，这些流程通常包含手工设计的后处理步骤，以有效地正则化和清理结果。在此，我们展示了一种更整体的方法，即训练一个完全端到端的网络，该网络直接以稠密连接的条件随机场（CRF）形式引入正则化，作为像素间相互作用的先验。我们证明，我们的方法在合成和真实世界数据集上均优于另一种端到端网络，并与更多手工设计的方法相比表现良好。
引用
@article{arxiv.1612.01725,
title = {Deep Stereo Matching with Dense CRF Priors},
author = {Ron Slossberg and Aaron Wetzler and Ron Kimmel},
journal= {arXiv preprint arXiv:1612.01725},
year = {2017}
}