EDNet：基于代价体组合与注意力空间残差的高效视差估计
计算机视觉与模式识别
2021-03-05 v4
摘要
现有最先进的视差估计工作大多利用4D拼接代价体并构建非常深的3D卷积神经网络（CNN）进行视差回归，由于高内存消耗和慢推理速度而效率低下。本文中，我们提出一种名为EDNet的网络用于高效视差估计。首先，我们构建组合代价体，其融合了来自压缩拼接代价体的上下文信息与来自相关性代价体的特征相似度度量。该组合代价体接下来可由2D卷积聚合，比3D卷积更快且所需内存更少。其次，我们提出一种基于注意力的空间残差模块来生成注意力感知的残差特征。注意力机制借助多尺度误差图提供关于不准确区域的直观空间证据，从而提升残差学习效率。在Scene Flow和KITTI数据集上的大量实验表明，EDNet优于先前基于3D CNN的工作，并以显著更快的速度和更少的内存消耗实现了最先进的性能。
引用
@article{arxiv.2010.13338,
title = {EDNet: Efficient Disparity Estimation with Cost Volume Combination and Attention-based Spatial Residual},
author = {Songyan Zhang and Zhicheng Wang and Qiang Wang and Jinshuo Zhang and Gang Wei and Xiaowen Chu},
journal= {arXiv preprint arXiv:2010.13338},
year = {2021}
}