一种双目视差估计的通用深度学习方法

本发明公开了一种双目视差估计的通用深度学习方法，针对不同视差范围数据集迁移适应性差的问题，提出了一种具有高泛化能力的网络结构；通过学习从图像函数空间到视差函数空间的映射，模型支持自定义视差范围和多尺度训练，能够动态构建具备可变尺度和视差感知的代价几何体，同时引入Galerkin注意力机制，降低计算复杂度和显存消耗；本方法包括数据处理、多级特征提取、代价几何体构建、Galerkin注意力机制、特征聚合及迭代优化等核心步骤；结合本方法的实施实例，模型提升了视差估计的精度和可靠性，在多场景、多种分辨率下具备显著的适应性和推理效率。