无需训练，用结构特征提升暗光双目立体匹配精度
Non-Learning Low-Light Stereo Vision
- 用角落场保留噪声下的粗粒度视觉特征构造代价体
- 动态调整平滑惩罚，更好保持真实视差边界
- 在多个基准数据集上比现有算法更准
我们提出一种无需训练的双目立体匹配框架，用于严重噪声图像的视差估计。通过使用角落场（Field of Junctions, FoJ），该方法保留了在强噪声下仍稳定的粗粒度视觉特征，用于代价体构建，同时舍弃与光子噪声难以区分的细纹理。由此获得的结构信息指导边界感知的半全局匹配（SGM），可动态调整平滑性惩罚，以更好地保留真实的视差不连续性。最终输出为稀疏视差图，在未遮挡像素上，其精度优于近期主流立体算法，在多个广泛使用的基准数据集上表现优异。
原文摘要 · Abstract (English)
We present a non-learning stereo framework for disparity estimation from severely noisy images. Using the Field of Junctions (FoJ), it retains coarse visual features stable under severe noise for cost volume construction while discarding fine textures inseparable from photon noise. The resulting structural information guides boundary-aware Semi-Global Matching (SGM) that dynamically adapts smoothness penalties to preserve true disparity discontinuities. The output is a sparse disparity map more accurate than those of recent stereo algorithms over unmasked pixels on widely-used benchmark datasets.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。