全距离深度平衡立体匹配网络

针对当前视差估计网络在将视差转换成深度时,存在深度精度受相机参数影响,且在远距离处产生深度精度急剧下降的问题,提出一种全距离深度平衡立体匹配网络(FRDBNet)。首先构建深度代价体,使网络学习到全距离深度的概率分布,进行深度回归直接生成深度;然后采用视差与深度损失融合的训练策略使网络同时关注远中近三分段全距离的深度估计;最后,基于初始视差右图对应点7邻域特征设计视差优化模块进一步提高网络的深度估计精度。在大型真实驾驶场景Driving Stereo数据集上的实验表明,针对全距离[1,100]m的深度估计,FRDBNet在[1,30]m近距离、[30,60]m中距离和[60,100]m远距离处深度精度相比CVPR2022性能表现优越的ACVNet分别提高10.38%、15.11%和20.35%,达到了良好的深度精度平衡。