面向深度立体匹配网络的局部相似性模式与代价自重组
计算机视觉与模式识别
2021-12-07 v2
摘要
尽管基于卷积神经网络的立体匹配架构已取得令人印象深刻的成就，但仍存在一些局限：1）卷积特征（CF）倾向于捕捉表观信息，这对于准确匹配是不充分的。2）由于静态滤波器，当前基于卷积的视差细化模块常产生过度平滑的结果。本文提出两种方案以解决这些问题，其中融入了一些传统智慧。首先，我们为深度立体匹配网络引入一种成对特征，称为 LSP（局部相似性模式，Local Similarity Pattern）。通过显式揭示邻域关系，LSP 包含丰富的结构信息，可用于辅助 CF 以获得更具判别力的特征描述。其次，我们设计了一种动态自重组细化策略，并分别应用于代价分布与视差图。前者可结合单峰分布约束以缓解过度平滑问题，后者则更为实用。所提方法的有效性通过将它们融入两个著名的基础架构 GwcNet 和 GANet-deep 得以验证。在 SceneFlow 与 KITTI 基准上的实验结果表明，我们的模块显著提升了模型性能。
引用
@article{arxiv.2112.01011,
title = {Local Similarity Pattern and Cost Self-Reassembling for Deep Stereo Matching Networks},
author = {Biyang Liu and Huimin Yu and Yangqi Long},
journal= {arXiv preprint arXiv:2112.01011},
year = {2021}
}
备注
Accepted by AAAI-2022