李传彪，毕远伟

基于跨域自适应的立体匹配算法

李传彪，毕远伟*

（烟台大学 计算机与控制工程学院，山东 烟台 264005）（ ∗ 通信作者电子邮箱byw@ytu.edu.cn）

虽然卷积神经网络（CNN）在有监督立体匹配任务中取得了较好的进展，但多数CNN算法的跨域表现较差。针对跨数据域的立体匹配问题，提出一种基于CNN的使用迁移学习实现域自适应立体匹配任务的跨域自适应立体匹配（CASM-Net）算法。所提算法使用一个可供迁移的特征提取模块提取丰富的广域特征用于跨域立体匹配任务；并且，设计一个自适应代价优化模块，从而通过自适应地利用不同感受野的相似度信息优化代价，进而得到最优的代价分布；此外，提出一个视差分数预测模块，以量化不同区域的立体匹配能力，并通过调整图像的视差搜索范围进一步优化视差结果。实验结果表明：在KITTI2012和KITTI2015数据集上，CASM-Net算法的2-PE-Noc、2-PE-All和3-PE-fg相较于PSMNet（Pyramid Stereo Matching Network）算法分别降低了6.1%、3.3%和19.3%；在Middlebury数据集上，在未经重新训练的情况下，在和其他算法的对比中，CASM-Net算法在所有样本上取得了最优或次优的2-PE结果。可见，CASM-Net算法具有改善跨域立体匹配的作用。

有监督立体匹配；卷积神经网络；迁移学习；跨域；视差分数

0 引言

立体匹配算法对于理解三维场景和重建至关重要，已经广泛应用于无人机［1］、自动驾驶［2］和虚拟现实［3］等领域。通常，立体匹配算法指计算两幅经过矫正的图像中对应像素的水平位移，即视差。一般情况下，传统方法利用图像的先验知识构造一个立体匹配函数，得到一个密集的视差图［4］。……