用于立体重建的深度度量半监督学习

深度学习度量最近在匹配立体重建的图像块方面展现出了极其优异的性能。然而，训练此类度量需要大量带标注的立体图像，这对于某些应用而言可能难以获取或成本高昂。我们工作的主要贡献是一种新的半监督方法，在给定场景和光学系统的粗略信息下，从无标注立体图像中学习深度度量。我们的方法交替使用标准随机梯度下降优化度量，并应用立体约束来正则化其预测。在参考数据集上的实验表明，对于给定的网络架构，使用这种无真值的新方法训练出的度量，其性能与使用所述真值训练的 SOTA 基线一样好。这项工作具有三个实际意义。首先，它有助于克服训练集的局限性，特别是含噪声的真值。其次，它允许在学习期间使用多得多的训练数据。第三，它允许针对特定的立体系统调整深度度量，即使没有真值可用。