深度边界只占少量像素却贡献近半误差：E3Stereo用学到的几何边缘把IGEV边界误差从3.77降到3.23像素
核心概要
立体匹配的误差集中在深度边界：在IGEV上，几何边缘像素只占被评估像素的很小一部分，却贡献了约一半的总绝对视差误差。E3Stereo从视差监督中学习几何边缘，用同一张边缘图同时引导全分辨率视差残差修正和边界加权训练，并与立体骨干联合优化。在Scene Flow上，它把RAFT-Stereo、IGEV和MonSter的边界端点误差分别降低13.4%、14.3%和9.5%，整体误差也同步下降；但直接迁移到真实数据集时误差高于IGEV，需经目标域微调后才在ETH3D与KITTI报告指标上全面超过IGEV。
深度剖析
立体匹配的误差高度集中在深度边界，而图像亮度边缘并不等同于深度不连续，因此用亮度边缘做边界修正会盯错位置。 对七种现有立体方法在Scene Flow上的评估显示，误差在深度边界处达到峰值，离开边界仅一个像素就降到约峰值的四分之一。 在IGEV上，几何边缘像素只占被评估像素的很小一部分，却贡献了约一半的总绝对视差误差，这一比例把边界误差与整体误差直接联系起来。
E3Stereo把一张由视差监督学出的几何边缘图同时用于两件事：预测全分辨率视差残差，以及在训练中加重边界像素的误差惩罚。 此前的边界修正依赖图像引导细化、联合边缘检测或对边缘像素多峰分布的建模，边缘线索来自图像外观而非视差结构。 在Scene Flow测试集上，把该组件接入RAFT-Stereo、IGEV和MonSter后，边界端点误差分别下降13.4%、14.3%和9.5%，整体端点误差分别从0.72降到0.67、从0.47降到0.43、从0.37降到0.35像素。
边缘预测器与视差细化联合训练，而不是冻结一个单独预训练的边缘网络，使边缘表示在保持几何监督的同时适应细化任务。 冻结的预训练GeoEdgeNet配置得到整体端点误差0.46像素、边界端点误差3.53像素，联合训练后分别为0.43和3.23像素。 以IGEV为骨干的模型在Scene Flow上预训练后，经目标域微调在ETH3D、KITTI 2012和KITTI 2015的全部十一项报告指标上优于IGEV，例如ETH3D的Bad1.0（Noc）从1.12%降到0.48%。
启示与展望
演示范围是Scene Flow预训练与评估，以及以IGEV为参考骨干在ETH3D、KITTI 2012和KITTI 2015上的微调结果；Middlebury 2014的官方测试结果因提交服务关闭而未报告。读者对象是从事立体匹配与深度估计的研究人员和工程师，方法以插件形式接入现有骨干。
从Scene Flow直接迁移到真实数据集时，E3Stereo在五个设置上的错误率都高于IGEV，例如KITTI 2012从5.14%升到5.59%、ETH3D从3.61%升到3.97%。这一对比与对域偏移的敏感性相符，但并未分离边缘预测、残差修正和训练权重各自对迁移差距的贡献。此外，RCF的边缘检测F1高于Canny，边界视差误差却更大，说明边缘检测质量本身并不决定引导效果。