结构光系统中动态场景的在线自适应视差估计

近年来，深度神经网络在单目结构光系统动态场景的稠密视差估计方面取得了显著进展。然而，当应用于未见过的环境时，其性能显著下降。为解决此问题，自监督在线自适应被提出作为弥合该性能差距的方案。与传统微调过程不同，在线自适应执行测试时优化以使网络适应新域。因此，在自适应过程中实现快速收敛对于获得满意精度至关重要。本文提出一种基于长序列输入的无监督损失函数。它确保更好的梯度方向与更快的收敛。我们的损失函数利用多帧模式流设计，该模式流由序列中投影模式的一组稀疏轨迹组成。我们使用基于滤波器的方法以置信掩码估计稀疏伪真值，用以引导在线自适应过程。我们提出的框架显著提升了在线自适应速度，并在未见数据上取得优越性能。