抽象的
我们的目标是大大加快当前最先进的立体声算法的运行时间，以实现实时推断。为了实现这一目标，我们开发了一个可怜的斑块模块，使我们能够丢弃大多数差异而无需全面的成本评估。然后，我们利用此表示来了解每个像素的修剪的范围。通过逐步减少搜索空间并有效地传播这些信息，我们能够有效地计算高似然假设的成本量，并达到存储器和计算中的节省。最后，利用图像引导改进模块来进一步提高性能。由于我们所有的组件都是可微分的，因此可以培训完整的网络端到端。我们的实验表明，我们的方法在Kitti和SceneFlow Datasets上实现了竞争结果，同时实时运行在62ms。
作者
会议
ICCV 2019.
全文
'DeepPruner：通过可差化的斑点（PDF）学习高效立体声匹配'（PDF）
优步阿格
注释