Lite Any Stereo：高效零样本全视差匹配
计算机视觉与模式识别
2026-04-16 v3
摘要
近期的视差匹配研究聚焦于提高精度，往往以牺牲显著模型规模为代价。传统上，社区认为高效模型因其有限的容量而无法实现零样本能力。本文我们引入 Lite Any Stereo，一个在保持高度高效的同时实现强大零样本泛化的视差深度估计框架。为此，我们设计了一个紧凑且富有表现力的 backbone 以确保可扩展性，同时构建了一个仔细构思的混合成本聚合模块。我们进一步提出了在百万级数据上的三阶段训练策略，以有效弥合仿真-现实之间的差距。这些组件共同表明，超轻模型能够提供强大的泛化能力，在四个广泛使用的真实基准中名列前茅。令人惊讶的是，我们的模型在精度上可与或超过当前基于非先验的准确方法，同时计算成本不足原来的 1%，为高效视差匹配树立了新的标准。
引用
@article{arxiv.2511.16555,
title = {Lite Any Stereo: Efficient Zero-Shot Stereo Matching},
author = {Junpeng Jing and Weixun Luo and Ye Mao and Krystian Mikolajczyk},
journal= {arXiv preprint arXiv:2511.16555},
year = {2026}
}
备注
CVPR 2026