Pip-Stereo：基于迭代优化的稳健迭代修剪器
计算机视觉与模式识别
2026-02-25 v1
摘要
虽然迭代立体匹配实现了高精度，但其对循环神经网络(RNN)的依赖阻碍了边缘部署，这在现有研究中尚未充分探讨。我们分析迭代细化，发现视差更新在空间上稀疏且在时间上冗余。首先，我们引入渐进式迭代剪枝策略，抑制冗余更新步骤，有效将递归计算压缩为接近单次推理。其次，我们提出协作单目先验迁移框架，隐式嵌入深度先验而无需专用单目编码器，从而消除其计算负担。最后，我们开发 FlashGRU，一种基于结构稀疏性和 I/O 意识设计的硬件感知 RNN 操作符，在 2K 分辨率下相较于 native ConvGRU 实现了 7.28 倍加速、76.6% 内存峰值降低和80.9% 全局内存请求降低。我们的 PipStereo 使边缘硬件实现实时高保真立体匹配：在 NVIDIA Jetson Orin NX(FP16)上处理 320×640 分辨率帧仅需 75ms，在 RTX 4090 上仅需 19ms，匹配大型迭代模型的精度，并在泛化能力与精度上远超现有实时方法。我们的嵌入式 AI 项目将于 https://github.com/XPENG-Aridge-AI 更新。
引用
@article{arxiv.2602.20496,
title = {Pip-Stereo: Progressive Iterations Pruner for Iterative Optimization based Stereo Matching},
author = {Jintu Zheng and Qizhe Liu and HuangXin Xu and Zhuojie Chen},
journal= {arXiv preprint arXiv:2602.20496},
year = {2026}
}
备注
Accepted to CVPR 2026 (3D vision track)