立体匹配中的 Sampling-Gaussian 方法

soft-argmax 操作在神经网络基于立体匹配的方法中被广泛采用，以实现视差的可微分回归。然而，使用 soft-argmax 训练的网络容易出现多模态，由于缺乏对概率分布形状的显式约束。先前的方法利用拉普拉斯分布和交叉熵进行训练，但未能有效提高精度，甚至会损害网络的效率。本文对先前的基于分布的方法进行详细分析，提出一种新的监督方法用于立体匹配，即 Sampling-Gaussian。我们从高斯分布进行采样用于监督。此外，我们将训练解释为在向量空间中最小化距离，提出一种结合 L1 loss 和余弦相似度 loss 的综合损失。此外，我们利用双线性插值对成本体进行上采样。该方法可直接应用于任何基于 soft-argmax 的立体匹配方法，且不会降低效率。我们进行了全面的实验，证明了 Sampling-Gaussian 在五个基线方法和两个数据集上的优越性能。实验结果表明，我们实现了更好的准确率。该方法易于实现，且代码已公开。