通过特征恒常性学习视差估计
计算机视觉与模式识别
2018-03-29 v2
摘要
立体匹配算法通常包括四个步骤：匹配代价计算、匹配代价聚合、视差计算和视差精化。现有的基于 CNN 的方法仅采用 CNN 解决四个步骤中的部分步骤，或使用不同网络处理不同步骤，难以获得整体最优解。本文中，我们提出一种网络架构以整合立体匹配的所有步骤。该网络由三部分组成。第一部分计算多尺度共享特征。第二部分利用共享特征执行匹配代价计算、匹配代价聚合与视差计算以估计初始视差。初始视差与共享特征用于计算特征恒常性，以衡量两幅输入图像间对应关系的正确性。随后将初始视差与特征恒常性输入子网络以精化初始视差。所提方法已在 Scene Flow 与 KITTI 数据集上评估。其在 KITTI 2012 与 KITTI 2015 基准上取得了当前最优（SOTA）性能，同时保持了极快的运行时间。
引用
@article{arxiv.1712.01039,
title = {Learning for Disparity Estimation through Feature Constancy},
author = {Zhengfa Liang and Yiliu Feng and Yulan Guo and Hengzhu Liu and Wei Chen and Linbo Qiao and Li Zhou and Jianfeng Zhang},
journal= {arXiv preprint arXiv:1712.01039},
year = {2018}
}
备注
Accepted by CVPR 2018, 10 pages, 3 figures