.png){kind=icon}
返回
Gradual interaction network for stereo matching
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111397.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有的立体匹配网络模型通过采用粗到精策略实现了前所未有的最优性能。然而，大多数模型忽视了利用粗视差信息反馈到特征提取中以提升立体匹配精度的潜力。为此，我们提出了一个渐进交互网络（GINet），这是首个在特征提取和视差估计之间建立双向交互桥梁的双目立体匹配学习模型。首先，提出了一种立体空间等级模块（SSGM）作为视差评估机制，以获取粗尺度下的视差置信图和更精确的视差搜索空间。其次，提出了一种基于视差反馈的特征筛选模块（DFFM），利用粗尺度视差置信图和粗尺度概率体来筛选特征。最后，我们将双分支上采样视差回归策略（Dup-DR）应用于概率体和视差搜索空间，以获得精确的视差图。在SceneFlow、KITTI2012、KITTI2015和Middlebury数据集上的实验结果表明，与先前的方法相比，我们模型的性能得到了显著提升。
Keyword:
Stereo matching
Bidirectional interactive bridge
Stereo space grade module
Disparity feedback filter module
Disparity confidence map
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving深度驾驶: 自动驾驶中直接感知的学习能力
OAAI
OAAI分享收藏Uncertainty estimation for stereo matching based on evidential deep learning基于证据深度学习的立体匹配不确定性估计.png)
PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容