融合上下文与几何信息的CF-ACV立体匹配网络及其高效深度估计方法

针对深度学习立体匹配方法在计算效率与跨域泛化性上的不足，研究人员提出CF-ACV网络，通过融合几何（Geometric）与上下文（Contextual）信息优化成本聚合策略，实现43.19%的匹配精度提升，并在弱纹理/高反射区域通过人工标记特征点优化性能，最终构建高效、高精度全场景深度估计框架，平均绝对误差仅6.44 mm。

　　

在计算机视觉领域，深度估计（Depth Estimation）如同给机器装上“立体视觉”，但现有方法常陷入两难：基于结构光等主动光源的技术硬件成本高昂，而单目被动方法在遮挡或光照变化下表现堪忧。尽管双目立体匹配（Stereo Matching）凭借多视角优势成为性价比之选，传统算法依赖手工特征，面对纹理稀疏、遮挡等复杂场景时仍捉襟见肘。深度学习虽带来曙光，但高精度模型如LEAStereo计算负担沉重，而实时模型如StereoNet又因丢失几何结构信息导致边缘错位——这恰似“鱼与熊掌”的经典困境。

为破解这一难题，中国的研究团队提出CF-ACV网络，核心创新在于将几何信息（物体三维空间属性）与上下文信息（语义关联）融合至成本聚合（Cost Aggregation）阶段，而非传统成本体积（Cost Volume）构建。这种策略既避免IGEV-Stereo的复杂度膨胀，又通过物理约束缩小搜索空间，最终在Scene Flow数据集上达到0.63px的端点误差（EPE），KITTI 2012的3-all指标仅2.05%。相关成果发表于《Optics and Lasers in Engineering》，为移动端部署提供新范式。

关键技术包括：1) 构建Context and Geometry Fusion模块优化成本聚合；2) 基于电动平移台（替代激光雷达）的误差测量；3) 高反射区域人工特征标记以提升弱纹理表现。

Method
研究框架涵盖数据集准备、立体匹配、深度估计等五模块。CF-ACV通过几何-上下文协同引导聚合，显著提升低纹理区精度。

Ablation study
消融实验验证模块插入位置的影响，基线网络Fast-ACV经改造后，在自制硬件平台上显示最优配置可使匹配效率提升约40%。

Conclusion
CF-ACV以60 fps实时性能超越多数SOTA模型，其泛化能力体现在跨场景平均相对误差（Mean Relative Error）仅4.15%。

讨论部分强调，该研究首次将几何-上下文融合重心从成本体积转移至聚合阶段，既保留Fast-ACV的轻量化特性，又通过特征点标记解决反射区域“信息黑洞”问题。资助信息显示，国家自然科学基金（12102267）和广东省教育厅重点项目（2024ZDZX3017）支持了此项工作。