---
title: "立體匹配（Stereo Matching）"
slug: stereo-matching
language: zh-TW
source: https://aiterms.tw/terms/stereo-matching
updated_at: 2026-06-23
tags: [電腦視覺, 3D重建, 深度估計, 立體視覺, 深度學習]
ipas_term: false
---

# 立體匹配（Stereo Matching）

利用立體影像對（左右視圖）的對應像素差異估計深度信息，是三維重建的基礎。

## 完整說明

立體匹配（Stereo Matching）是從立體影像對中恢復深度的經典任務，利用兩台相機從不同視角拍攝的影像，對每個像素找到其在另一幀中的對應點，根據像素位置偏差（視差, disparity）計算深度。立體匹配既可採用傳統的相似度度量與動態規劃，也可透過深度學習端到端學習，是 3D 重建、自動駕駛感知、機器人視覺的基礎。

## 常見問題

### 為什麼立體匹配在無紋理區域（如白牆）會失效？

無紋理區域內所有像素長相相似，無法通過相似度度量（如 SAD、NCC）唯一確定對應點。例如白牆上的 100 像素可能都是 (255, 255, 255)，無法區別。解決方法有三：使用機構光投影已知紋理（但仗室內應用）；採用較大的匹配窗口聚集邊界的紋理信息；或透過邊界保留的全局正則化（如 SGM 或深度學習）利用周邊紋理推斷。

### 立體匹配精度受什麼因素影響最大？

主要因素包括：（1）基線 B：基線越大，相同視差誤差導致的深度誤差越小，但基線過大視場角縮小；（2）焦距 f：焦距越大視差越大，深度精度越高；（3）相機標定精度：標定誤差直接傳播到視差與深度；（4）匹配正確率：誤匹配（尤其是重複紋理區域）造成離群值。實踐中，基線與焦距的選擇取決於應用範圍（近距離需短基線，遠距離需長基線）。

### RAFT-Stereo 相比傳統 SGM 有什麼優勢？

RAFT-Stereo 的主要優勢是迭代精化機制與神經網路的強大表示能力。傳統 SGM 一次性計算成本卷積與聚合，難以處理複雜情況（如遮擋、邊界）；RAFT-Stereo 逐步改善視差估計，類似變分方法但更高效。此外，RAFT-Stereo 可端到端學習，自動適應各種場景與相機，無需手工調參。實證上，RAFT-Stereo 在 KITTI 等基準上精度優於 SGM，且速度接近。

---

來源：https://aiterms.tw/terms/stereo-matching
快查頁：https://aiterms.tw/terms/stereo-matching
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-stereo-matching