基于自适应相关与级联循环网络的实际立体匹配方法
计算机视觉与模式识别
2022-03-23 v1
摘要
随着卷积神经网络的出现，立体匹配算法近年来取得了巨大进展。然而，由于薄结构、非理想校正、相机模组不一致以及各种困难场景等实际复杂因素，从智能手机等消费级设备拍摄的真实图像对中准确提取视差仍是一项巨大挑战。本文提出了一系列创新设计来解决实际立体匹配问题：1) 为了更好地恢复精细深度细节，我们设计了一个具有循环精化的分层网络，以由粗到细的方式更新视差，并采用堆叠级联架构进行推理；2) 我们提出一种自适应分组相关层，以减轻错误校正的影响；3) 我们引入了一个特别关注困难情况的新合成数据集，以更好地泛化到真实场景。我们的结果不仅在 Middlebury 和 ETH3D 基准上均排名第 1，以显著优势超越现有 state-of-the-art 方法，而且在实际照片上展现出高质量细节，这清楚地证明了我们所做贡献的有效性。
引用
@article{arxiv.2203.11483,
title = {Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation},
author = {Jiankun Li and Peisen Wang and Pengfei Xiong and Tao Cai and Ziwei Yan and Lei Yang and Jiangyu Liu and Haoqiang Fan and Shuaicheng Liu},
journal= {arXiv preprint arXiv:2203.11483},
year = {2022}
}
备注
This work has been accepted to CVPR2022. The project link is https://github.com/megvii-research/CREStereo