MoCha-Stereo: Motif Channel Attention Network for Stereo Matching

基于学习的立体匹配技术已经取得了显著进展。然而，在特征通道生成过程中，现有方法不可避免地丢失几何结构信息，导致边缘细节不匹配。本文设计了Motif Channel Attention Stereo Matching Network（MoCha-Stereo）来解决这个问题。我们提供Motif Channel Correlation Volume（MCCV）来确定更精确的边缘匹配代价。MCCV通过将捕捉特征通道中常见几何结构的装饰通道投影到特征图和代价体上实现。此外，重建误差图的潜在特征通道中的边缘变化也会影响细节匹配，因此我们提出了Reconstruction Error Motif Penalty（REMP）模块来进一步细化全分辨率视差估计。REMP从重建误差的典型通道特征中集成频率信息。MoCha-Stereo在KITTI-2015和KITTI-2012 Reflective排行榜上排名第一。我们的结构在多视角立体匹配中也表现出优异的性能。代码可在https://github.com/ZYangChen/MoCha-Stereo上获得。

该论文旨在解决学习基础的立体匹配技术在通道生成过程中丢失几何结构信息的问题，导致边缘细节不匹配的问题。

论文提出了Motif Channel Attention Stereo Matching Network（MoCha-Stereo）来解决这个问题。通过提供Motif Channel Correlation Volume（MCCV）来确定更准确的边缘匹配成本，MCCV通过将捕捉特征通道中常见几何结构的Motif通道投影到特征映射和成本体积上实现。此外，论文还提出了Reconstruction Error Motif Penalty（REMP）模块来进一步优化全分辨率视差估计。

该论文在KITTI-2015和KITTI-2012 Reflective排行榜上排名第一。该论文的代码已经开源。MoCha-Stereo在多视角立体匹配方面也表现出色。

最近在这个领域中，还有一些相关研究，如StereoNet、Pseudo-LiDAR和GwcNet等。