WHTMix：通过沃尔什-哈达玛德令牌混合实现高效立体深度估计

摘要

该论文提出了一种数据无关的沃尔什-哈达玛德令牌混合器，替代立体视觉Transformer中的全局自注意力机制，在对数线性复杂度下实现全局上下文混合，同时保留数据相关的交叉注意力进行左右视图匹配。在合成驾驶数据上，该方法在保持端点误差的同时将模型计算量减少2.46倍，推理延迟降低2.65倍，特别适用于高分辨率立体匹配场景。