基于改进ACV模型的视差估计方法
摘要
双目立体匹配作为计算机视觉领域的一个热点问题，在距离感知、遥感、自动驾驶等诸多场景中有着广泛的应用。针对目前方法在深度不连续以及边界区域存在视差预测不准确的问题，提出一种基于改进注意力拼接代价体网络的端到端视差估计方法。首先引入多尺度特征融合网络，将浅层与深层包含丰富信息的多尺度特征图融合，增强图像细节的细粒度表示，缓解图像中深度不连续区域视差预测不准确的问题。接着设计Sobel边缘平滑损失，建立视差图边界与场景边缘轮廓对应的约束关系，缓解图像中目标边界区域视差预测不准确的问题。在Sceneflow数据集上的实验结果表明，所提方法在EPE和D1指标上分别达到0.467和1.51%，在KITTI数据集上，所提方法在3-All和D1-All指标上分别达到1.44%和1.61%。与注意力拼接代价体网络相比，所提方法在EPE和D1指标上分别降低3.51%和5.63%，在3-All与D1-All指标上分别降低2.04%和2.42%，可获得更好的视差估计效果。
引用本文（GB/T 7714）
秦伦明 Qin Lunming, 余斌 Yu Bin, 崔昊杨 Cui Haoyang, 等. 基于改进ACV模型的视差估计方法[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。