用于立体匹配的多尺度代价体级联网络
计算机视觉与模式识别
2021-03-16 v2
摘要
立体匹配对机器人导航至关重要。然而，当前广泛使用的传统方法精度低，而基于 CNN 的方法需要高昂的计算成本与运行时间。这是因为不同的代价体在平衡速度与精度方面起着关键作用。因此我们提出 MSCVNet，它结合传统方法与神经网络以改进代价体的质量。具体而言，我们的网络首先生成多个不同分辨率的 3D 代价体，然后使用 2D 卷积构建一种新颖的级联沙漏网络进行代价聚合。同时，我们设计了一种算法以区分并计算视差结果中不连续区域的损失。根据 KITTI 官网，我们的网络比大多数性能最优的方法快得多（是 CSPN 的 24 倍，GANet 的 44 倍等）。同时，相较于传统方法（SPS-St、SGM）与其他实时立体匹配网络（Fast DS-CS、DispNetC、RTSNet 等），我们的网络在精度上取得大幅提升，证明了所提方法的可行性与能力。
引用
@article{arxiv.2102.01940,
title = {Multi-Scale Cost Volumes Cascade Network for Stereo Matching},
author = {Xiaogang Jia and Wei Chen and Zhengfa Liang and Mingfei Wu and Yusong Tan and Libo Huang},
journal= {arXiv preprint arXiv:2102.01940},
year = {2021}
}