这些地图由传播生成：通过决定性视差扩散使深度立体网络适应道路场景

立体匹配已成为一种经济高效的道路表面三维重建解决方案，在提高计算效率和精度方面引起了广泛关注。本文介绍了决定性视差扩散（D3Stereo），标志着首次探索密集深度特征匹配，使预训练的深度卷积神经网络（DCNN）适应于未见过的道路场景。首先使用不同层次的学习表示创建成本体积金字塔。随后，采用一种新颖的递归双边滤波算法来聚合这些成本。D3Stereo的一个关键创新在于其交替的决定性视差扩散策略，其中采用尺度内扩散来完成稀疏视差图像，而尺度间继承则为更高分辨率提供有价值的先验信息。在我们创建的UDTIRI-Stereo和Stereo-Road数据集上进行的大量实验，强调了D3Stereo策略在适应预训练DCNN方面的有效性，以及其相对于所有其他专门为道路表面三维重建设计的显式编程算法的优越性能。在ImageNet数据库上预训练的骨干DCNN上，使用Middlebury数据集进行的额外实验进一步验证了D3Stereo策略在处理一般立体匹配问题中的多功能性。