MIDAS：利用暗知识建模真实分布以实现域泛化立体匹配
计算机视觉与模式识别
2025-08-15 v2
摘要
尽管域泛化立体匹配取得了显著进展，现有方法在从合成域迁移到真实域时仍表现出域特定偏好，阻碍了其在复杂多样场景中的实际应用。立体网络预测的概率分布自然地编码了丰富的相似性和不确定性信息。受此观察的启发，本文提出从预训练网络中提取这两种暗知识，以对边缘和非边缘区域建模直观的多模态真实分布。为缓解单一网络的固有域偏好，本文采用网络集成，并在拉普拉斯参数空间中进一步区分客观知识和有偏知识。最后，客观知识和原始视差标签被联合建模为拉普拉斯混合分布，以提供细粒度的立体网络训练监督。大量实验表明：（1）本文方法具有通用性，能有效提升现有网络的泛化能力。（2）结合本文方法的 PCWNet 在 KITTI 2015 和 2012 数据集上均取得了最先进的泛化性能。（3）本文方法在四个流行真实数据集上的综合排名中优于现有方法。
引用
@article{arxiv.2503.04376,
title = {MIDAS: Modeling Ground-Truth Distributions with Dark Knowledge for Domain Generalized Stereo Matching},
author = {Peng Xu and Zhiyu Xiang and Jingyun Fu and Tianyu Pu and Hanzhi Zhong and Eryun Liu},
journal= {arXiv preprint arXiv:2503.04376},
year = {2025}
}