3D LiDAR와 스테레오 융합을 위한 조건부 비용 체적 정규화를 사용한 스테레오 매칭 네트워크

활성 및 비활성 깊이 감지 기술의 보완적 특성이 개선된 깊이 인식을 위해 LiDAR 센서와 스테레오 카메라를 융합하는 동기를 제공합니다. LiDAR와 스테레오 모달 간에 추정된 깊이를 직접 융합하는 대신, 우리는 두 가지 강화 기술인 입력 융합(Input Fusion)과 조건부 비용 체적 정규화(Conditional Cost Volume Normalization, CCVNorm)를 활용하여 스테레오 매칭 네트워크의 성능을 향상시킵니다. 제안된 프레임워크는 일반적이며, 스테레오 매칭 신경망에서 일반적으로 사용되는 비용 체적 구성 요소와 밀접하게 통합됩니다. KITTI 스테레오 및 깊이 완성 데이터셋을 통해 실험적으로 우리 방법의 효과성과 견고성을 검증하였으며, 다양한 융합 전략에 대해 우수한 성능을 얻었습니다. 또한, CCVNorm의 계층적 확장을 통해 제안된 방법이 계산 시간과 모델 크기 측면에서 스테레오 매칭 네트워크에 미치는 부가적인 부담이 매우 적다는 것을 입증하였습니다. 프로젝트 페이지는 다음 링크에서 확인할 수 있습니다: https://zswang666.github.io/Stereo-LiDAR-CCVNorm-Project-Page/