A06B-6090-H006

A06B-6090-H006

A06B-6090-H006 估计像素对应关系的问题是立体匹配的任务。传统立体匹配算法有四步骤：匹配代价计算、代价聚合、视差计算和优化。学习式方法与传统方法相比，通常产生更准确和平滑的视差图，并具有较高的计算速度。其中一些挑战是恢复薄物体和锐利边缘的低效率问题、基于GRU的迭代结构的不足和学习方法的推广能力问题。EAI-Stereo是解决这个问题的方法，它使用了一种误差感知的迭代结构。

本文提出了一种新的端到端数据驱动的立体匹配方法EAI-Stereo（Error Aware Iterative Stereo）。本文的主要贡献如下：

提出了一种错误感知的细化模块，它将左右变形与基于学习的上采样相结合。通过将包含更多高频信息的原始左图像和显式计算误差图相结合，文章的细化模块使网络能够地应对过度曝光、欠曝光以及弱纹理，并允许网络学习纠错能力，从而使EAI-Stereo能够产生极端细节和锐利边缘。模块中的基于学习的上采样方法与双线性插值相比，可以提供更的上采样结果。作者仔细研究了模块微观结构对性能的影响。从实验中，作者发现该结构可以提高泛化能力并提。该方法具有很高的通用性，可以应用于所有产生视差或深度图的模型。

提出了一种的迭代更新模块，称为Multiscale Wide-LSTM，它可以有效地将来自特征提取、代价体积和当前状态的多尺度信息相结合，从而增强每次迭代之间的信息传递。

提出了一种灵活的整体结构，可以平衡推理速度和准确性。可以在不重新训练网络甚至在运行时进行权衡。迭代次数也可以根据小帧速率动态确定。

A06B-6090-H006