悉尼大学提出LinStereo，用线性全局注意力突破立体匹配瓶颈
LinStereo用线性复杂度的全局注意力替代传统迭代中的局部卷积，在遮挡和退化场景中大幅提升立体匹配精度。
传统立体匹配（从左右图像算出每点深度）的后端靠卷积GRU逐步传播信息，遇到大面积弱纹理或水下场景就很吃力。LinStereo用位置感知线性注意力（PALA）替换卷积，每次迭代能聚合全图上下文，复杂度仍是线性的；同时引入多尺度代价体积和单目深度初始化。在Sceneflow合成数据训练后零样本泛化，将Middlebury遮挡区域误差压低了37%，甚至在跨域水下场景也明显领先，用ViT-B小模型即可超越更大参数量的方法。
正文摘录
.jpg)  立体匹配的前端已经进入视觉基座模型时代，后端却还停留在基于卷积的局部递归更新。LinStereo 关注的正是这个断层：当 Depth Anything V3 已经能提供全局语义和多尺度表征时，ConvGRU 式的局部传播反而成了遮挡、弱纹理和水下退化场景中的瓶颈。 悉尼大学澳大利亚机器人中心的 Yiran Wang、Oliver Turner 和 Viorela Ila 在 ECCV 2026 论文中提出用位置感知线性注意力模块替代卷积迭代，让每轮迭代都能聚合全图上下文，并辅以多尺度代价体积和单目深度初始化提升几何收敛。 更关键的是， LinStereo 在冻结视觉基座模型编码器，仅用 Scene Flow 合成数据训练下游 stereo 模块，其零样本泛化能力就将 Middlebury 遮挡区域把误差压低了 37%，在多项标准评估数据上以 ViT-B 的体量战胜了更大参数量的模型，甚至在在水下等跨域场景也展现了明显的优势。