不确定性引导自适应扭曲用于鲁棒高效立体匹配
计算机视觉与模式识别
2023-08-23 v1 人工智能
摘要
基于相关的立体匹配通过追求两特征图间的代价体取得了出色性能。遗憾的是，采用固定模型的现有方法在不同数据集上表现并不均匀良好，极大限制了其真实世界适用性。为解决此问题，本文提出一种动态计算相关以实现鲁棒立体匹配的新视角。引入新颖的不确定性引导自适应相关（UGAC）模块，使同一模型鲁棒适应不同场景。具体而言，采用基于方差的不确定性估计，在扭曲操作中自适应调整采样区域。此外，我们用可学习参数改进传统非参数扭曲，从而可学习位置特定权重。我们表明，通过赋予循环网络 UGAC 模块，可更鲁棒有效地利用立体匹配。大量实验证明，当在这些数据集上采用同一固定模型且无需任何重训练过程时，我们的方法在 ETH3D、KITTI 和 Middlebury 数据集上取得了最先进性能。针对实时应用，我们进一步基于 UGAC 设计了轻量模型，其以仅 0.6 M 参数在 KITTI 基准上也优于其他方法。
引用
@article{arxiv.2307.14071,
title = {Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching},
author = {Junpeng Jing and Jiankun Li and Pengfei Xiong and Jiangyu Liu and Shuaicheng Liu and Yichen Guo and Xin Deng and Mai Xu and Lai Jiang and Leonid Sigal},
journal= {arXiv preprint arXiv:2307.14071},
year = {2023}
}
备注
Accepted by ICCV2023