Key points are not available for this paper at this time.
सक्रिय और निष्क्रिय डेप्थ सेंसर के पूरक गुण स्टीरियो मैचिंग की सटीकता बढ़ाने के लिए LIDAR-स्टीरियो फ्यूजन को प्रेरित करते हैं। हालांकि, अधिकांश फ्यूजन-आधारित स्टीरियो मैचिंग एल्गोरिदम ने एकल फ्यूजन पद्धति के साथ डेंस LIDAR प्रायर का उपयोग किया है। इस शोधपत्र में, हम इन सीमाओं को तोड़ते हुए, अधिक कुशलता से सटीक असमानता (disparity) अनुमान प्राप्त करने के लिए बहु-चरणीय फ्यूजन रणनीति के साथ स्पार्स LIDAR प्रायर का उपयोग करने का इरादा रखते हैं। सबसे पहले, Semi-Global Matching (SGM) की मैचिंग लागत को अपडेट करने के लिए Naive Fusion में रैंडम स्पार्स सैंपलिंग LIDAR डेप्थ मेजरमेंट्स प्रदान किए जाते हैं। फिर लागत को और अपडेट करने के लिए पिछले चरण के आधार पर Neighborhood Based Fusion किया जाता है। इसके बाद, लागत और असमानताओं दोनों को अपडेट करने के लिए Diffusion Based Fusion का उपयोग किया जाता है। अंत में, स्पेकल आउटलेयर्स को हटाने और असमानताओं को सुचारू करने के लिए Tree Filtering लागू की जाती है। विभिन्न स्टीरियो डेटा सेटों पर प्रदर्शन मूल्यांकन यह प्रदर्शित करते हैं कि प्रस्तावित एल्गोरिदम लगभग रीयल-टाइम कार्यान्वयन दक्षता के साथ अन्य सबसे चुनौतीपूर्ण स्टीरियो मैचिंग एल्गोरिदम से काफी बेहतर प्रदर्शन करता है। इसके अलावा, यह इंगित करना उचित है कि हमारा प्रस्ताव आश्चर्यजनक रूप से Middlebury v.3 ऑनलाइन मूल्यांकन प्रणाली पर शीर्ष दस प्रदर्शनों में से एक स्थान रखता है, भले ही इसमें किसी भी लर्निंग-आधारित तकनीक को नहीं अपनाया गया हो।
Yao et al. (Thu,) ने इस प्रश्न का अध्ययन किया।
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: