딥러닝 기반 스테레오 매칭 방법이 직면한 대규모 네트워크와 복잡한 네트워크 구조 문제를 해결하기 위해 네트워크 크기가 작고 정확도가 높은 네트워크 구조를 제안하였다. 이 네트워크는 특징 추출 모듈에서 복잡하고 중복된 잔차층을 축소·수정하고 공간 확장된 합성곱 피라미드 풀링 모듈을 도입하여 시야를 확장하고 더 많은 유용한 맥락 정보를 추출하였다; 비용 계산 모듈에서는 3차원 합성곱 층을 사용하여 비용 응집을 통해 스테레오 매칭 정확도를 향상시켰으며; 마지막으로 비용 응집 모듈에서는 낮은 해상도의 비용 양을 사용하여 높은 정확도의 시차 맵을 얻기 위해 양방향 격자 모듈을 참조하였다. 이 네트워크를 KITTI 2015 데이터셋과 Scene Flow 데이터셋 등 주요 데이터셋에서 실험하여, 결과는 다른 주류 우수 네트워크인 피라미드 스테레오 매칭 네트워크(Pyramid Stereo Matching Network, PSM-Net) 대비 네트워크 규모 매개변수가 약 38% 감소하고 높은 실험 정확도를 달성하였으며, Scene Flow 데이터셋의 엔드 포인트 오류(End-point Error, EPE)는 0.86으로 속도와 정확도를 동시에 갖춘 스테레오 매칭 네트워크임을 보여주었다.

컴퓨터 비전;스테레오 매칭;인공 신경망;시차