摘要
当前的立体匹配技术面临搜索空间受限、遮挡区域以及图像规模庞大等挑战。尽管单目深度估计可规避上述问题，并通过提取单目线索获得令人满意的结果，但由于缺乏立体视觉关系，其预测结果在独立使用时可靠性较低，尤其在高度动态或复杂杂乱的环境中更为明显。为解决上述两种场景下的问题，本文提出一种受视交叉（optic chiasm）结构启发的自监督双目深度估计方法。该方法设计了一种带有门控位置交叉注意力（Gated Positional Cross-Attention, GPCA）层的视觉变换器（Vision Transformer, ViT），能够在不同视角间实现特征敏感的模式检索，同时通过自注意力机制保留广泛的空间上下文信息。随后，利用检索到的特征模式对单视图中的单目线索进行条件性校正，通过一个融合层实现优化。该交叉式结构在生物学上类比于人类视觉系统中的视交叉结构，因此命名为ChiTransformer。实验结果表明，该架构相较当前最先进的自监督立体匹配方法，在性能上实现了11%的显著提升，并可适用于直线投影（rectilinear）及非直线投影（如鱼眼镜头）图像。