Im Bereich der stereoskopischen Zuordnung ist die Aggregation von Matchingkosten sowohl in traditionellen Methoden als auch in tiefen Neuronalnetzmodellen entscheidend, um Diskrepanzen genauer zu schätzen. Wir schlagen zwei neue Schichten von neuronalen Netzen vor, die jeweils lokale und globale Kostenabhängigkeiten erfassen sollen. Die erste Schicht ist eine semi-globale Aggregationschicht, die eine differenzierbare Approximation des semi-globalen Matchings darstellt. Die zweite Schicht ist eine lokal gelenkte Aggregationschicht, die einer traditionellen Kostenfilterstrategie folgt, um dünne Strukturen zu verfeinern. Diese beiden Schichten können verwendet werden, um die weit verbreitete 3D-Faltungsschicht zu ersetzen, die aufgrund ihrer kubischen Rechen- und Speicherkomplexität rechnerisch aufwendig und speicherintensiv ist. In den Experimenten zeigen wir, dass Netzwerke mit einem zweischichtigen gelenkten Aggregationsblock leicht bessere Ergebnisse erzielen als das aktuell beste GC-Net, das neunzehn 3D-Faltungsschichten besitzt. Zudem trainieren wir ein tiefes gelenktes Aggregationsnetzwerk (GA-Net), das höhere Genauigkeiten als state-of-the-art-Methoden sowohl im Scene Flow-Datensatz als auch in den KITTI-Benchmarks erreicht.