DeepPruner：通过可微 PatchMatch 学习高效的立体匹配
计算机视觉与模式识别
2019-09-13 v1
摘要
我们的目标是显著加快当前最先进立体匹配算法的运行时间，以实现实时推理。为此，我们开发了一个可微的 PatchMatch 模块，使我们能够在无需完整代价体评估的情况下丢弃大多数视差。随后我们利用该表示来学习每个像素应剪枝的范围。通过逐步缩小搜索空间并有效传播此类信息，我们能够高效地计算高似然假设的代价体，并在内存和计算上均实现节省。最后，利用一个图像引导的细化模块进一步提升性能。由于我们所有组件均可微，整个网络可以端到端训练。我们的实验表明，我们的方法在 KITTI 和 SceneFlow 数据集上取得了具有竞争力的结果，同时以 62ms 的实时速度运行。
引用
@article{arxiv.1909.05845,
title = {DeepPruner: Learning Efficient Stereo Matching via Differentiable PatchMatch},
author = {Shivam Duggal and Shenlong Wang and Wei-Chiu Ma and Rui Hu and Raquel Urtasun},
journal= {arXiv preprint arXiv:1909.05845},
year = {2019}
}
备注
Accepted at International Conference on Computer Vision (ICCV) 2019