WHTMix：Walsh-Hadamard令牌混合加速立体深度估计

2026年10月16日，arXiv Computer Vision 刊出 Prathyush Sajith、Emadeldeen Hamdan、Ahmet Enis Cetin 提交的论文，提出 WHTMix 方法。该工作用数据无关的 Walsh-Hadamard token 混合器替换立体 Transformer 中负责跨双视图传播上下文的联合自注意力阶段，在变换域以 log-linear 成本全局混合 token，同时保留执行左右对应的数据相关交叉注意力。据论文称，在合成驾驶数据上，该混合器在端点误差上与注意力基线持平，同时将模型计算量降低 2.46 倍、单图推理延迟降低 2.65 倍。复杂度分析显示，收益由序列长度与通道宽度之比决定，这解释了高分辨率立体匹配为何尤为有利、而分类 Transformer 不适用；作者在非立体的长序列基准上验证了这一 token 到通道的缩放关系。此外，论文引入混合对数视差损失，对应对远距离物体的小视差像素加权，在不增加额外计算开销的情况下降低远处物体的误差。目前事件仍处于论文发布阶段，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。