Die Schätzung der Disparität für binokulare Stereobilder findet eine breite Anwendung. Traditionelle Algorithmen können in bereichslosen Regionen versagen, die jedoch durch hochwertige Hinweise wie semantische Segmentierung beherrscht werden können. In dieser Arbeit schlagen wir vor, dass die angemessene Einbeziehung semantischer Hinweise die Vorhersage in gängigen Disparitätsschätzungsrahmen erheblich verbessern kann. Unsere Methode führt eine semantische Merkmalsverschachtelung durch und reguliert semantische Hinweise als Verlustterm, um das Lernen der Disparität zu verbessern. Unser einheitliches Modell SegStereo verwendet semantische Merkmale aus der Segmentierung und führt einen semantischen Softmax-Verlust ein, der dazu beiträgt, die Vorhersagegenauigkeit von Disparitätskarten zu erhöhen. Die semantischen Hinweise funktionieren sowohl in unüberwachter als auch in überwachter Weise gut. SegStereo erreicht Stand-des-Wissens-Ergebnisse im KITTI Stereo-Benchmark und erzeugt gute Vorhersagen sowohl im CityScapes- als auch im FlyingThings3D-Datensatz.请注意，这里的“法语”应该是“德语”，因此我按照德语的标准进行了翻译。希望这能符合您的要求。