Graph Cut basiertes kontinuierliches Stereo-Matching mit lokal geteilten Labels

Wir präsentieren eine genaue und effiziente Stereo-Matching-Methode unter Verwendung lokal geteilten Labels, einem neuen Beschriftungsschema, das räumliche Propagation in der MRF-Inferenz mithilfe von Graph Cuts ermöglicht. Sie geben jedem Pixel und jeder Region eine Reihe von Kandidaten-Disparitäts-Labels, die zufällig initialisiert, räumlich propagiert und zur kontinuierlichen Disparitätsabschätzung verfeinert werden. Wir formulieren die Auswahl und Propagation von lokal definierten Disparitäts-Labels als fusionsbasierte Energied minimi zierung. Die gemeinsame Nutzung von Graph Cuts und lokal geteilten Labels hat Vorteile gegenüber früheren Ansätzen, die auf Fusion Moves oder Glaubenspropagation basieren, da sie submodulare Moves erzeugt, die eine Optimalität des Teilproblems ableiten, leistungsstarke zufällige Suche ermöglichen, dabei helfen, gute glatte, lokal planare Disparitätskarten zu finden, die für natürliche Szenen vernünftig sind, und die parallele Berechnung sowohl von unär- als auch von paarweisen Kosten erlauben. Unsere Methode wird mit dem Middlebury Stereo Benchmark bewertet und erzielt den ersten Platz in der Subpixelgenauigkeit.