用于无纹理立体匹配的深度感知体积注意力
内容提要
该文综述了单目与多视角深度估计及三维重建的多项研究，涵盖跨域语义、PatchMatch、深度注意力、MVS网络、TSAR-MVS、结构感知网络、ACVNet、IR结构光立体系统及自监督方法，这些方法在KITTI等数据集上均优于现有技术。
延伸解读
无纹理立体匹配的挑战与应对
在立体匹配中，无纹理区域因缺乏显著特征而难以获得准确深度，是长期存在的难点。本文综述的多项研究从不同角度应对该问题：TSAR-MVS通过过滤、细化和分割来保留纹理缺失区域的细节；结构感知网络引入空间注意力与全局聚焦相对损失，增强深度预测的空间约束；ACVNet则利用注意力权重抑制冗余信息。这些方法共同表明，针对无纹理区域的专门设计是提升立体匹配鲁棒性的关键。
注意力机制在深度估计中的多样化应用
注意力机制已成为提升深度估计性能的重要工具。本文涉及的工作展示了其多种应用形式：深度感知体积注意力加入非局部共面性约束以引导深度估计；MVS网络引入自注意力层生成代价体；ACVNet通过相关线索生成注意力权重。这些应用表明，注意力机制能够有效捕捉长距离依赖和共面性先验，从而在室内外场景中改善深度估计的精度。
自监督与跨域方法的进展
自监督学习减少了对昂贵深度标签的依赖。本文提到的自监督方法通过自我关注和离散视差预测改进Monodepth2，在KITTI等数据集上超越监督方法；跨域语义信息则被引入无监督单目深度估计，以增强几何表示。这些进展显示，自监督与跨域融合是提升深度估计泛化能力的重要方向，尤其在标注数据稀缺时更具实用价值。
Q&A
无纹理立体匹配中，深度感知体积注意力是如何工作的？
文章未具体说明深度感知体积注意力的工作原理，但提到了通过深度注意力体加入非局部共面性约束来引导深度估计，从而在室内环境中取得最先进的深度估计结果。
TSAR-MVS 方法如何解决 3D 重建中纹理缺失区域的挑战？
TSAR-MVS 通过过滤、细化和分割来有效解决纹理缺失区域的挑战。首先采用联合假设过滤技术消除深度估计错误，然后通过迭代相关性细化和纹理感知分割方法提高准确性和在纹理缺失区域保留细节的能力。
ACVNet 在立体匹配中有什么创新？
ACVNet 提出了一种新颖的代价体积构建方法，通过生成来自相关线索的注意力权重来抑制冗余信息并增强匹配相关信息，并设计了基于 ACV 的高精度网络，在多个基准测试上取得了最先进的性能。
结构感知神经网络如何改善单目深度估计？
结构感知神经网络采用空间注意力块捕捉视觉特征的空间关系，引入全局聚焦相对损失增强深度预测的空间约束，并引入新的 Hard Case Depth 数据集和渐进式训练策略，在 NYUDv2 数据集上具有很高的预测精度和泛化性能。
自监督单目深度估计中，如何提高深度估计的准确性？
文章提出了两种新方法：自我关注和离散视差预测，将它们应用到 Monodepth2 模型中，超越了其他自监督和完全监督方法，在 KITTI 2015 和 Make3D 数据集上取得了最好的结果。
在无监督单目深度估计中，跨域语义信息如何提高几何表示？
文章提出了在无监督单目深度估计中引入跨域语义信息以提高几何表示的新思路，包括度量学习方法和特征融合模块，并在 KITTI 数据集上全面评估，在弱质地区和物体边界的监督限制下，该方法优于现有技术。
