学習ベースのステレオマッチング技術は著しい進歩を遂げています。しかし、既存の手法では特徴チャネル生成プロセスで必然的に幾何学的な構造情報が失われ、結果としてエッジ詳細の不一致が生じます。本論文では、この問題を解決するためにモチーフチャネルアテンションステレオマッチングネットワーク（MoCha-Stereo）を設計しました。私たちはモチーフチャネル相関体積（MCCV）を提供し、より正確なエッジマッチングコストを決定します。MCCVは、特徴チャネル内の一般的な幾何学的構造を捉えるモチーフチャネルを特徴マップとコスト体積に射影することで達成されます。さらに、再構成誤差マップの潜在的な特徴チャネルにおけるエッジ変動も詳細のマッチングに影響を与えます。これに対処するため、フル解像度の視差推定をさらに洗練するために再構成誤差モチーフペナルティ（REMP）モジュールを提案します。REMPは、再構成誤差から典型的なチャネル特徴の周波数情報を統合します。MoCha-SterroはKITTI-2015およびKITTI-2012 Reflectiveリーダーボードで1位となっています。また、私たちの手法はマルチビューステレオにおいても優れた性能を示しています。コードはhttps://github.com/ZYangChen/MoCha-Stereo で入手可能です。