基于多阶融合与循环聚合的立体匹配网络

针对基于深度学习的立体匹配网络中病态区域匹配效果欠佳、模型参数量过大的问题,提出了一种基于多阶特征融合与循环代价聚合的端对端立体匹配网络—MFRANet。首先,为兼顾图像低层细节信息与高层语义信息,提出了多阶特征融合模块,采用分阶段、逐步式的特征融合策略对多层次、多尺度特征进行有效融合;其次,在代价聚合阶段提出循环聚合机制,以循环方式对匹配代价卷进行聚合优化,在改善聚合效果的同时不引入过多的参数量;最后,利用基于Soft Argmin算法的视差计算模块计算图像视差。并通过KITTI 2012/2015和SceneFlow两个公开数据集对网络进行训练和测试,与其他端对端立体匹配网络进行了对比研究。结果表明,在SceneFlow和KITTI 2015两个公开数据集上,相较于其他端对端立体匹配网络,MFRANet具有更为精准的匹配结果;对于SceneFlow数据集,终点误差降低至0.92Pixels;对于KITTI 2015数据集,误匹配率降低至2.21%。