In stereo matching, one of the fundamental problems in computer vision fields, errors within occlusions, object boundaries, reflective surfaces, textureless regions, and repeated pattern regions remain critical problems to be solved. Stereo confidence estimation plays a role in mitigating the aforementioned problems by detecting unreliable pixels in disparity obtained through stereo-matching and being used to refine the results of those pixels. However, in the case of previous learning-based methods, there is a limitation in that a separate training process is needed. In this thesis, we propose a stereo confidence measurement method without extra network and training by defining an ideal disparity profile according to the disparity plane sweep based on the linearity of the disparity profile. Experimental results in self-supervised monocular depth estimation problems, where stereo confidence estimation is utilized, demonstrate the validity of the proposed method.
컴퓨터 비전 분야의 근본적인 문제 중 하나인 스테레오 정합에서 폐색, 물체 경계선, 반사 표면, 텍스처가 없는 영역, 그리고 반복되는 패턴 영역 등에서 발생하는 오차는 여전히 해결되어야 할 중요한 문제로 남아있다. 스테레오 신뢰도 측정은 스테레오 정합을 통해 얻은 시차 내 존재하는 비신뢰적인 영역을 검출하고 해당 영역의 결과를 개선하는 데 사용됨으로써 앞서 언급한 문제를 완화하는 역할을 한다. 하지만 기존 신경망 기반 방법론들의 경우 별도의 학습 과정이 필요하다는 한계가 있다. 본 학위 논문에선 시차 프로파일의 선형성에 기초, 시차 평면 스위프에 따른 이상적인 시차 프로파일을 정의함으로써 별도의 신경망과 학습 과정 없이 스테레오 신뢰도를 측정하는 방법론을 제안하여 앞선 한계를 해결하고자 한다. 제안된 방법론은 이상적인 시차 프로파일과 실제 예측된 프로파일 간의 에러를 측정함으로써 시차에 대한 픽셀 단위 신뢰도를 측정한다. 스테레오 신뢰도 측정이 활용되는 자기 지도 단안 깊이 추정 문제에서의 실험 결과를 통해 제안된 방법론의 유효성을 입증한다.
