Key points are not available for this paper at this time.
体积深度学习方法用于立体匹配，通过使用3D卷积从输入的左图和右图计算成本体积。最近的研究表明，利用提取的图像特征和空间变化的成本体积聚合补充了3D卷积。然而，现有的具有空间变化操作的方法复杂，计算时间成本高，导致内存消耗增加。在这项工作中，我们构建了引导成本体积激励（GCE），并表明由图像引导的成本体积简单通道激励可以显著提高性能。此外，我们提出了一种新方法，在软argmin视差回归之前使用top-k选择来计算最终的视差估计。结合我们的新贡献，我们提出了一个端到端网络，我们称之为相关与激励（CoEx）。在SceneFlow、KITTI 2012和KITTI 2015数据集上对我们模型的广泛实验表明我们的模型的有效性和效率，并且显示我们的模型在速度方面优于其他算法，同时在其他先进算法中也具有竞争力。代码将发布在 https://github.com/antabangun/coex.
Bangunharcana等人（Mon，）研究了这个问题。