حققت تقنيات التطابق الاستريو القائمة على التعلم تقدماً ملحوظاً. ومع ذلك، فإن الطرق الحالية لا مفر منها من فقدان معلومات البنية الهندسية أثناء عملية إنشاء قنوات الميزات، مما يؤدي إلى عدم التطابق في تفاصيل الحواف. في هذا البحث، تم تصميم شبكة انتباه قنوات المود (MoCha-Stereo) لحل هذه المشكلة. نقدم حجم ارتباط قنوات المود (MCCV) لتحديد تكاليف تطابق الحواف الأكثر دقة. يتم تحقيق MCCV من خلال إسقاط قنوات المود، التي تلتقط الهياكل الهندسية المشتركة في قنوات الميزات، على خرائط الميزات وحجم التكلفة. بالإضافة إلى ذلك، فإن التغيرات في قنوات الميزات المحتملة في خريطة خطأ إعادة الإعمار تؤثر أيضًا على تطابق التفاصيل، لذا اقترحنا وحدة عقوبة مود خطأ إعادة الإعمار (REMP) لتحسين تقدير الاختلاف بدقة كاملة بشكل أكبر. يدمج REMP المعلومات التكرارية لميزات القناة النموذجية من خطأ إعادة الإعمار. تحتل MoCha-Stereo المرتبة الأولى في لوحة النتائج الخاصة بـ KITTI-2015 و KITTI-2012 Reflective. كما أظهرت هيكلتنا أداءً ممتازاً في التطابق الاستريو متعدد الآراء. يمكن الوصول إلى الكود عبر الرابط: https://github.com/ZYangChen/MoCha-Stereo.