BEVStereo：通过动态时间立体视觉提升多视角3D目标检测中的深度估计

由于深度感知固有的模糊性，当前基于摄像头的三维目标检测方法已陷入性能瓶颈。直观上，利用时序多视角立体视觉（Temporal Multi-View Stereo, MVS）技术是解决该模糊性问题的自然途径。然而，传统MVS方法在应用于三维目标检测场景时存在两个明显缺陷：其一，所有视图之间的相似性度量计算开销巨大；其二，难以应对室外场景中物体频繁移动的复杂情况。为此，我们提出一种高效的时序立体匹配方法，能够动态选择匹配候选区域的尺度，显著降低计算开销。更进一步，我们设计了一种迭代算法，用于持续更新更具价值的候选区域，从而实现对运动目标的自适应匹配。我们将所提方法应用于多视角三维检测框架，构建了名为BEVStereo的检测器。在nuScenes数据集的纯摄像头评测赛道上，BEVStereo取得了新的最先进性能，达到52.5%的mAP和61.0%的NDS。大量实验表明，与现有MVS方法相比，本方法在复杂室外场景下的适应能力显著更优。相关代码已开源，地址为：https://github.com/Megvii-BaseDetection/BEVStereo。