深層学習に基づくステレオマッチング手法が直面するネットワーク規模の大きさや複雑なネットワーク構造の問題を解決するため、規模が小さく精度の高いネットワーク構造を提案した。本ネットワークは特徴抽出モジュールにおいて複雑で冗長な残差層を削減・修正し、空洞畳み込みピラミッドプーリングモジュールを導入して視野を拡大し、有益な文脈情報を多く抽出する；コスト計算モジュールでは三次元畳み込み層を用いてコスト集約によりステレオマッチングの精度を向上させ；最後にコスト集約モジュールにおいては双方向グリッドモジュールを参照し、低解像度のコスト量で高精度な視差図を取得した。このネットワークをKITTI 2015データセットやScene Flowデータセットなどの主要データセットで実験し、その結果はピラミッドステレオマッチングネットワーク（Pyramid Stereo Matching Network、PSM-Net）などの他の主流ネットワークと比較して、ネットワークのパラメータ数が約38％削減され、高い実験精度を達成したことを示している。Scene Flowデータセットのエンドポイントエラー（End-point Error、EPE）は0.86であり、速度と精度を兼ね備えたステレオマッチングネットワークである。

コンピュータビジョン;ステレオマッチング;人工ニューラルネットワーク;視差