نقترح معمارية تعلم عميقة جديدة لتقدير الاختلاف من زوج صور استريو مصحح. نستفيد من معرفتنا بهندسة المشكلة لتكوين حجم التكلفة باستخدام تمثيلات الميزات العميقة. نتعلم دمج المعلومات السياقية باستخدام الالتفافات ثلاثية الأبعاد على هذا الحجم. يتم تقدير قيم الاختلاف من حجم التكلفة باستخدام عملية argmin ناعمة قابلة للتفاضل مقترحة، مما يسمح لنا بتدريب طريقتنا بطريقة شاملة لتحقيق دقة فرعية للبكسل دون أي معالجة ما بعد إضافية أو تنظيم. نقيم طرقتنا على مجموعات البيانات Scene Flow و KITTI، ونحدد ركيزة جديدة رائدة في مجال KITTI، بينما نكون أسرع بكثير من الأساليب المنافسة.