[发明专利]用于确定视差测量的置信度/不确定性测量的概念

说明书

通过针对要执行相对于第二画面的视差的测量的第一画面的预定位置对视差候选集合的评估执行确定，并且如果这种评估涉及针对这个视差候选集合中的每个的贡献值的累积，实现用于视差测量的更有效的置信度/不确定性测量确定，贡献值取决于相应的视差候选以及根据函数与相应的视差候选相关联的与第二画面的不相似度，函数对于与相应视差候选相关联的不相似度具有第一单调性并且对于相应视差候选与预定视差之间的绝对差具有与第一单调性相反的第二单调性，预定视差具有与视差候选集合相关联的不相似度中与其相关联的最小不相似度。通过这种方式，随着视差候选的空间分布中局部极小值的数量增加，置信度/不确定性测量倾向于降低置信度，增加不确定性。

技术领域

本申请涉及用于确定置信度测量或不确定性测量的概念，该置信度测量或不确定性测量测量第一画面的预定位置相对于第二画面的视差的测量的正确性的置信度或不正确性的可靠性。这种置信度/正确性测量可以用于基于视差测量改进视差/深度图的生成和/或改进视图合成。

背景技术

立体视差估计是计算机视觉中研究得最多的并且最活跃的领域之一。这主要是因为现有算法无法获得最佳结果[1,2,3]。估计的视差不够准确或计算成本太高。近年来，深度学习方法提高了这些算法的准确性[4,5]，并且例如可以用于改善密集渲染光场的质量。为了重建这些，需要融合多个视差图，这似乎是直截了当的。但是，由于错误的视差，事实并非如此。错误视差被传播，从而导致不可靠的视差图。我们提出了一种新的置信度测量来过滤掉这些初始错误的视差。

当基于常规方法[6,7,8,9,10,11,12]执行置信度测量时，通过检查成本曲线来分配置信度。作为像素的视差的函数的理想成本曲线具有单个、不同的最小值。但是，大多数成本曲线是模糊的，因为它们具有多个局部最小值或具有相似成本的多个相邻视差，从而使得全局最小值的精确定位很难。成本曲线的形状在很大程度上取决于所使用的立体算法。一些算法趋于对噪声更敏感。Spyropoulos和Mordohai使用Zbontar和Le Cun[4]开发的立体方法来计算匹配成本。他们训练卷积神经网络(CNN)来预测两个图像块是否匹配。近年来，许多旨在检测不可靠视差分配的置信度测量被证明当与现有技术的立体算法[5,14,15,16]相结合时是非常有效的线索。借助于置信度测量可靠地检测立体算法的失败的能力是基本的，并且已经为此目的提出了许多方法。Hu和Mordohai[17]是第一批详尽审查和比较当时可用的置信度测量的人，并定义了评估不同测量的性能的有效指标。已引入和评估了新的置信度测量，大多数基于深度学习[5,18]和其它机器学习方法[14,15,16,19,13]。Poggi等人[20]在2017年对76项现有技术的置信度测量进行了最新的全面评估。在此，可以看到与立体算法的评估类似的趋势，基于机器学习的方法似乎优于常规方法。

但是，仍然需要进一步改善用于视差测量的这些置信度/不确定性测量的质量。

发明内容

因此，本发明的一个目的是提供一种更有效的用于确定视差测量的置信度/不确定性测量的概念。

该目的通过本申请的独立权利要求的主题来实现。