PromptStereo：基于结构和运动提示的零样本立体匹配

现代的立体匹配方法已利用单目深度基础模型实现了卓越的零样本泛化性能。然而，大多数现有方法主要关注从 cost volume 构建或视差初始化中提取稳健特征。与此同时，迭代细化阶段——也是零样本泛化至关重要的环节——仍未得到充分探索。一些方法将单目深度先验作为迭代指导，但基于常规 GRU 架构的方法难以充分利用这些先验。本文提出了基于单目深度基础模型解码器的 Prompt Recurrent Unit (PRU)，这是一种新的迭代细化模块。通过将单目结构和立体运动线索作为提示整合到解码器中，PRU 能够在保持其内在单目深度先验的同时，丰富单目深度基础模型的潜在表示，以包含绝对立体尺度信息。实验表明，我们的 PromptStereo 在多个数据集上实现了零样本的领先性能，同时保持了可 comparable 或更快的推理速度。我们的发现表明，基于提示的迭代细化是零样本立体匹配的有前景的方向。