LinStereo: Linear-Complexity Global Attention for Multi-Scale Iterative Stereo Matching
作者: Yiran Wang, Oliver Turner, Viorela Ila
分类: cs.CV
发布日期: 2026-06-24
💡 一句话要点
提出LinStereo以解决多尺度立体匹配中的信息利用不足问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 立体匹配 深度估计 线性注意力 多尺度特征 水下场景 跨域泛化 几何先验 视觉基础模型
📋 核心要点
- 现有的立体匹配方法未能充分利用多尺度特征、几何先验和上下文信息，导致在光照条件恶劣的场景中表现不佳。
- LinStereo通过引入位置感知线性注意力模块（PALA），实现全局信息聚合，克服了局部递归的限制，提升了匹配精度。
- LinStereo在多个标准基准上达到了最先进的准确性，特别是在水下场景中表现优异，显著降低了绝对相对误差。
📝 摘要（中文）
现有基于视觉基础模型的迭代立体匹配方法未能充分利用多尺度特征、几何先验和上下文信息，尤其在光照条件恶劣的水下场景中表现不佳。为此，本文提出LinStereo，基于Depth Anything V3，核心是位置感知线性注意力模块（PALA），该模块以线性成本替代局部递归，实现全局聚合，从而将可靠的估计从匹配良好的区域传播到退化区域，同时保持视差结构。PALA的有效性得益于两个组件：分层语义代价体（HSCV）提供来自视觉基础模型特征层次的尺度对齐相关性，以及深度先验初始化（DPI）将单目深度转换为度量校准的热启动。LinStereo在标准基准上实现了最先进的准确性，并在水下场景中表现出强大的跨域泛化能力，尤其在光照严重退化的情况下，取得了最佳的整体准确性，在TartanAir-UW上降低28%的绝对相对误差，在SQUID上降低26%。
🔬 方法详解
问题定义：现有的立体匹配方法在多尺度特征利用、几何先验初始化和上下文信息传播方面存在不足，尤其在水下等光照条件恶劣的场景中，匹配效果显著下降。
核心思路：LinStereo的核心是位置感知线性注意力模块（PALA），该模块通过全局聚合替代局部递归，以线性时间复杂度处理信息，从而在光照退化区域传播可靠的深度估计。
技术框架：LinStereo的整体架构包括两个主要模块：分层语义代价体（HSCV）用于提供尺度对齐的相关性，深度先验初始化（DPI）用于将单目深度转换为度量校准的热启动，确保模型在初始化时具备良好的起点。
关键创新：LinStereo的主要创新在于引入PALA模块，实现了全局信息的有效聚合，显著提升了匹配精度，并且在处理光照退化时表现出色。与传统方法相比，LinStereo能够更好地利用多尺度信息和几何先验。
关键设计：在设计中，HSCV确保了不同尺度的特征能够有效结合，而DPI则通过将单目深度信息转化为可用的初始深度，提升了模型的收敛速度和准确性。
🖼️ 关键图片
📊 实验亮点
LinStereo在标准基准上实现了最先进的准确性，特别是在水下场景中表现突出，TartanAir-UW数据集上降低了28%的绝对相对误差，SQUID数据集上降低了26%，显示出显著的性能提升。
🎯 应用场景
LinStereo的研究成果在水下立体匹配、自动驾驶、机器人导航等领域具有广泛的应用潜力。其强大的跨域泛化能力使其能够在多种复杂环境中提供高质量的深度估计，推动相关技术的发展与应用。
📄 摘要（原文）
Existing Vision Foundation Model (VFM)-based iterative stereo pipelines under-exploit three information pathways: multi-scale backbone features are collapsed into single-level correlations, geometric priors remain untapped at initialization, and context propagates only locally. These gaps widen under degraded photometric cues, making underwater scenes a stringent generalization test. To address this, we propose LinStereo, built upon Depth Anything V3, whose core is a Position-Aware Linear Attention (PALA) module that replaces local recurrence with global aggregation at linear cost, propagating reliable estimates from well-matched regions into degraded areas while preserving disparity structure. PALA is made effective by two enabling components: Hierarchical Semantic Cost Volumes (HSCV), which supply scale-aligned correlations from the VFM feature hierarchy, and a Depth Prior Initialization (DPI) that converts monocular depth into a metrically calibrated warm start. LinStereo achieves state-of-the-art-level accuracy on standard benchmarks and strong cross-domain generalization, particularly on underwater scene where severe photometric degradation makes stereo matching particularly challenging, attaining the best overall accuracy with consistent gains 28% lower AbsRel on TartanAir-UW, 26% on SQUID, a real-world underwater dataset).