SCV-Stereo:从稀疏代价体学习立体匹配
计算机视觉与模式识别
2021-07-20 v1 机器人学
摘要
基于卷积神经网络(CNN)的立体匹配方法通常需要密集代价体(DCV)以进行视差估计。然而,生成此类代价体计算密集且耗费内存,阻碍了CNN的训练与推理效率。为解决该问题,我们提出SCV-Stereo,一种新颖的CNN架构,能够从稀疏代价体(SCV)表示中学习密集立体匹配。我们的灵感源于DCV表示具有一定冗余性且可被SCV表示替代这一事实。得益于这些SCV表示,我们的SCV-Stereo能够以迭代方式更新视差估计,实现准确且高效的立体匹配。在KITTI Stereo基准上开展的大量实验表明,我们的SCV-Stereo能显著最小化立体匹配中准确率与效率之间的权衡。我们的项目页面为https://sites.google.com/view/scv-stereo。
引用
@article{arxiv.2107.08187,
title = {SCV-Stereo: Learning Stereo Matching from a Sparse Cost Volume},
author = {Hengli Wang and Rui Fan and Ming Liu},
journal= {arXiv preprint arXiv:2107.08187},
year = {2021}
}
备注
5 pages, 3 figures and 2 tables. This paper is accepted by ICIP 2021