摘要
在立体匹配任务中，匹配成本聚合对于传统方法和深度神经网络模型来说都是至关重要的，以准确估计视差。我们提出了两个新颖的神经网络层，分别用于捕捉局部和全图的成本依赖关系。第一个是半全局聚合层，它是半全局匹配的一种可微分近似；第二个是局部引导聚合层，该层遵循传统的成本滤波策略来细化薄结构。这两个层可以替代广泛使用的3D卷积层，后者由于计算复杂度和内存复杂度均为立方级别，因此计算代价高昂且占用大量内存。实验结果表明，具有两层引导聚合块的网络轻松超越了拥有十九个3D卷积层的最先进的GC-Net。此外，我们还训练了一个深度引导聚合网络（GA-Net），该网络在Scene Flow数据集和KITTI基准测试中均取得了比现有最先进方法更高的精度。