在视差回归网络中学习立体匹配度
计算机视觉与模式识别
2020-08-12 v1
摘要
基于学习的立体匹配近期取得了令人鼓舞的结果，但在纹理缺失、非朗伯反射或遮挡等弱可匹配区域建立可靠匹配方面仍存在困难。本文通过提出一种考虑逐像素匹配度的立体匹配网络来解决这一挑战。具体而言，该网络通过期望和熵操作从三维概率体联合回归视差图和匹配度图。接下来，应用一种学习到的衰减作为鲁棒损失函数，以减轻弱可匹配像素在训练中的影响。最后，引入匹配度感知的视差细化，以改善弱可匹配区域的深度推断。所提出的深度立体匹配度（DSM）框架能够改善匹配结果或加速计算，同时仍保证质量。此外，DSM框架可移植到许多近期的立体网络。在Scene Flow和KITTI立体数据集上进行了大量实验，以证明所提框架相对于最先进的基于学习的立体方法的有效性。
引用
@article{arxiv.2008.04800,
title = {Learning Stereo Matchability in Disparity Regression Networks},
author = {Jingyang Zhang and Yao Yao and Zixin Luo and Shiwei Li and Tianwei Shen and Tian Fang and Long Quan},
journal= {arXiv preprint arXiv:2008.04800},
year = {2020}
}
备注
Accepted to ICPR 2020