BriefGPT - AI 论文速递
·
稳健的立体匹配的逐步回归和预训练边缘
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种名为SR-Stereo的新型立体匹配方法，通过预测视差剪辑和使用与回归目标尺度相关的损失权重来缓解不同数据集之间的分布差异。同时，提出了基于预训练边缘的领域自适应（DAPE）来解决粗糙地面实况模型的边缘模糊问题。实验结果表明，SR-Stereo在视差估计性能和跨领域推广性能方面具有竞争力，DAPE显著改善了无纹理和细节区域的精调模型的视差估计性能。
🎯
关键要点
- 提出了一种名为SR-Stereo的新型立体匹配方法。
- SR-Stereo通过预测视差剪辑和使用与回归目标尺度相关的损失权重来缓解不同数据集之间的分布差异。
- SR-Stereo可以轻松扩展到现有的基于迭代的方法以改善性能。
- 提出了基于预训练边缘的领域自适应（DAPE）来解决粗糙地面实况模型的边缘模糊问题。
- 在多个数据集上进行了广泛评估，实验结果表明SR-Stereo在视差估计性能和跨领域推广性能方面具有竞争力。
- DAPE显著改善了无纹理和细节区域的精调模型的视差估计性能。
➡️
