Deep self-guided cost aggregation for stereo matching

در این مقاله، یک روش جمعآوری هزینه عمیق خودآموزی که برای بدست آوردن یک نقشه تقریبی دقیق از یک جفت تصاویر استریو ارائه شده است، ارائه می شود. روشهای جمعآوری هزینههای معمول معمولا فیلترینگ تصویر متحرک را بر روی هر قطعه حجم هزینه انجام میدهند. بنابراین، تصویر هدایت برای کارهای مرسوم ضروری است. با این حال، یک تصویر هدایت ممکن است ناشی از تحریف های متعدد، مانند نویز، تاری، تغییرات رادیومتری، غیر قابل اعتماد باشد. بر اساس مشاهدات ما، هر قطعه حجم هزینه می تواند خود را بر اساس ویژگی های داخلی هدایت کند. با این حال، پیدا کردن یک تابع نقشه برداری مستقیم از تکه های هزینه اولیه و فیلتر شده بدون هیچ تصویر هدایت دشوار است. برای حل این مشکل، ما از یک تکنیک یادگیری عمیق پیشرفته برای انجام تجمیع هزینه خود به خود استفاده می کنیم. به دلیل عدم وجود هزینه واقعی حقیقت زمین، ما راه حل برای نسل داده ها را ارائه می دهیم. شبکه یادگیری عمیق ما شامل دو زیر شبکه است: شبکه وزن پویا و شبکه فیلتر نزولی. ما از دست دادن بازسازی ویژگی ها و تابع از دست دادن معادل مربع به صورت پیکسل به منظور حفظ ویژگی لبه استفاده می کنیم. نتایج تجربی نشان می دهد که روش پیشنهادی نتایج بهتر را به دست می آورد حتی اگر یک تصویر راهنما را استخدام نکند.