CVPR2022——立体匹配算法Fast-ACVNet复现

1.简介

        Fast-ACVNet 是一款高效且精确的立体匹配算法，在 CVPR 2022 上首次亮相，随后在 TPAMI 2023 上发表了扩展版本。该方法旨在在保持高精度的同时，实现实时性能，适用于自动驾驶、机器人视觉等对速度和精度要求较高的场景。

       论文地址：Accurate and Efficient Stereo Matching via Attention Concatenation Volume | IEEE Journals & Magazine | IEEE Xplore

       源码地址：https://github.com/gangweix/Fast-ACVNet

2.复现步骤

        下载到源码后解压，用编译器打开

​

​ 该py文件就是运行代码

环境还没有配置，我们先配置一下环境
       ​

github源码下面有命令栏，如果你电脑有conda环境你可以打开命令栏直接复制就可以

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch -c nvidia

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

把这一句换成下一句，用镜像源下载

然后我们下载权重：

​

GitHub界面找到这个，或者点下方链接：

https://drive.google.com/drive/folders/1vLt_9W3F2K-MciV8Pmv8iRpU24lkMXGo?usp=share_link

Accurate and Efficient Stereo Matching via Attention Concatenation Volume | IEEE Journals & Magazine | IEEE Xplore

我们打开save_disp.py代码，生成视差图的代码。

​

 我们来看这里的参数一个一个看：

1. model   你可以选择Fast-ACV，Fast_ACVNet_plus两个选项，权重如果你下的是Fast-ACVNet就填Fast-ACV，“＋”填Fast_ACVNet_plus

2. maxdisp 不用管

3. dataset 数据集 这里有讲究，（这里跟后面是数据集路径设置有关）填kittit就行

4. kitti15 和 kitt12 注意这里就是待匹配图片的地址

我们先创建

​

​

​

在这两个文件夹中放入左右视图，test15也是一样，一定要有test12和test15两个文件夹

创建完之后我们需要创建一个txt文件在这个目录下：

​

名字一样，txt填入你左视图，右视图地址:

​

代码会根据test的编号来判断你用的是哪个数据集来执行后续代码，所以一定要有test12和test15两

个文件夹。

5. 让后将txt的地址填入​

6. loadckpt 将你的权重地址填入即可，注意对应model

7. ​

代码中的这一句是保存的地址，如果你不想保存到这里可以自己修改。

我们运行代码：

​

出现saving to 就成功了，我们打开看看效果

​

​