基于边缘领域自适应的立体匹配算法

风格迁移方法因其较好的域适应性，广泛应用于存在领域差异的计算机视觉领域。当前基于风格迁移的立体匹配任务存在如下挑战: (1)转换后的左右图像需满足配对的前提; (2)转换后图像的内容和空间信息要与原始图像保持一致。针对以上难点，该文提出一种基于边缘领域自适应的立体匹配方法(EDA-Stereo)。首先，构建了边缘引导的生成对抗网络(Edge-GAN)，通过空间特征转换(SFT)层融合边缘信息和合成域图像特征，引导生成器输出保留合成域图像结构特征的伪图像。其次，提出翘曲损失函数以迫使基于转换后的右图像所重建出的左图像向原始左图像进行逼近，防止转换后的左右图像对不匹配。最后，提出基于法线损失的立体匹配网络，通过表征局部深度变化来捕获更多的几何细节，有效提高了匹配精度。通过在合成数据集上训练，在真实数据集上与多种方法进行比较，结果表明本该方法能够有效缓解领域差异，在KITTI 2012和KITTI 2015数据集上的D1误差分别为3.9%和4.8%，比当前先进的域不变立体匹配网络(DSM-Net)方法分别相对降低了37%和26%。