11、立体匹配：基础、前沿技术与现存挑战

立体匹配：基础、前沿技术与现存挑战

1. 无监督立体匹配方法

在立体匹配领域，无监督方法有多种实现方式。一种数据增强范式能让网络更好地处理遮挡问题。其中，CoT - Stereo包含动态阈值选择方案和遮挡估计交换操作。动态阈值选择方案可防止网络记住可能的异常值，而遮挡估计交换操作能使两个网络自适应地纠正不准确的遮挡估计。

还有基于置信引导原始视差融合（CRD - Fusion）的遮挡感知立体匹配算法。在CRD - Fusion中，首先通过五次3D卷积处理相关代价体以生成原始视差，然后利用基于一致性的置信度度量生成原始遮挡图，最后使用分层细化模块联合细化原始视差图和原始遮挡图。

另一种流行的无监督立体匹配范式是生成可靠的伪视差真值进行监督。比如OptStereo，它的金字塔投票模块能生成可靠的半密集视差图来监督CNN训练。不过，目前无监督立体匹配与有监督方法之间仍存在显著的性能差距，探索更有效的无监督训练策略是该领域未来研究的一个有前景的方向。

2. 视差置信度度量

随着立体匹配算法的快速发展，确定估计视差的置信度也越来越受到关注。估计视差置信度并非用于预测潜在的视差误差范围，而是作为衡量立体匹配算法在遮挡和反射等具有挑战性的情况下可能失败的概率的指标，即视差置信度图能识别出立体匹配需要额外关注的区域。

通常，代价体是置信度度量的主要信息来源。对于左像素 $\mathbf{p} = [x, y]^T$，其代价曲线 $c(\mathbf{p})$ 包含了多个关键信息，如不同视差候选的匹配代价等。大多数置信度度量只需要代价曲线中的部分信息，主要可分为基于代价、基于视差、基于一致性和基于图像四类。

2.