人形机器人的"眼睛"怎么看得更准？立体匹配技术作为机器感知深度的核心，直接决定着机器人导航的可靠性。但行业常用的soft-argmax方法始终存在痛点——容易输出"模糊答案"（多峰分布），导致深度计算偏差；此前的改进方案要么精度较差，要么运行速度较慢。

优必选研究院新提出的高斯采样（Sampling-Gaussian）方法，给出了"鱼与熊掌兼得"的解决方案，近期入选机器人顶会 IROS 2025 《The Sampling-Gaussian for Stereo Matching》。该论文创新性利用高斯概率采样实现监督训练，通过双目RGB图像实时生成高精度的稠密深度图，让新一代工业人形机器人Walker S2拥有媲美“人眼”的立体视觉感知能力。

• 论文标题：The Sampling-Gaussian for Stereo Matching

• 作者团队：Baiyu Pan, Bowen Yao, Jichao Jiao, Jianxing Pang, Jun Cheng

• 所属机构：优必选科技，中国科学院深圳先进技术研究院

• 论文地址：https://arxiv.org/pdf/2410.06527

• 录用会议：IROS 2025

研究背景与意义

主流的 soft-argmax 立体匹配方法，因易产生 “多峰概率分布”（即模型无法确定唯一深度值），导致深度出现误差；而过往改进方案要么通过增加网络层数提升精度，却让推理速度变慢（无法满足实时场景需求），要么简化模型结构，却让精度进一步下降 —— 这种 “精度与速度不可兼得” 的痛点，成为低成本深度感知技术落地的最大阻碍。

跳出传统思维的三重创新

高斯采样（Sampling-Gaussian）方法的核心是用高斯分布监督替代soft-argmax，却不增加任何推理负担，关键在于三个设计的创新：

• 向量视角的损失设计

首次将视差回归解读为向量点积问题，提出"L1损失+余弦相似度"组合函数——既算准数值距离，又对齐向量方向，避免模型陷入"多答案困境"。

• 破解分布偏移难题

扩展视差范围至(-dₑₓₜ, dₘₐₓ+dₑₓₜ)，解决传统方法端点分布截断的问题；用双线性插值替代三线性插值，让概率分布更贴合真实规律。

• 零成本适配性

无需重构模型，直接替换原有soft-argmax模块，现有代码改几行就能用。

如下图展示，只基于L1损失进行训练时，Loss所表达的损失曲面与最终回归得到的深度误差(EPE)是存在误差的。而如果使用“L1损失+余弦相似度''的组合损失，两者在数值上非常接近。

实测数据

全场景碾压基线

在Sceneflow、KITTI等4大主流数据集上，高斯采样（Sampling-Gaussian）方法在5个基线模型上实现全量提升：

• 经典模型PSMNet端点误差（EPE）从0.87降至0.65，错误像素占比（D1）压至2.00%；

• 轻量化MSN2D在小数据集ETH3D上，EPE从0.86骤降至0.63；

• 推理时间与原模型完全一致，无需额外算力开销。

尤为突出的是，高斯采样（Sampling-Gaussian）对泛化能力弱的模型性能提升非常显著，比如将MSN3D在KITTI2015的D1误差从2.10%降至1.98%，为低成本设备的高精度感知提供了新思路。如下表4和5所示，基于Soft-argmax的方法在所有模型上均逊于本论文所提出的高斯采样（Sampling-Gaussian）方法，这表明该方法提供的监督信号能够更准确的表征真实深度。

实验结果表明，无论是结合哪种SOTA模型，所提出的方法都能带来显著的性能提升。定性可视化结果也清晰地展示了其优势：不论是自动驾驶场景还是仿真场景，在面对细小物体时都可以生成正确的深度细节。

而在开放道路场景，在处理远距离物体和具有复杂表面的物体(比如树木，草地)等，基于高斯采样（Sampling-Gaussian）的方法都无一例外体现出了更精确的深度估计能力。

论文贡献

该研究不仅提出高斯采样（Sampling-Gaussian）方法，更从理论、技术、行业三个层面为计算机视觉中的立体匹配提供以下突破：

• 理论层面：填补视差回归的认知空白

首次将立体匹配中的 “视差回归” 问题转化为 “向量点积” 问题，突破传统 scalar-based（标量驱动）的损失设计思路，提出的 “L1 损失 + 余弦相似度” 组合函数，为解决 “多峰分布导致的深度模糊” 提供了全新理论框架，也为后续视差回归算法设计提供了新视角。

• 技术层面：破解“精度-速度”的权衡困局

过往改进方案需在 “提精度” 和 “保速度” 间二选一，而高斯采样（Sampling-Gaussian） 方法通过高斯分布监督与插值优化，在不增加推理耗时、不依赖额外算力的前提下，实现精度全量提升，解决了行业长期面临的 “实时性与准确性不可兼得” 难题，为机器人的高精度深度感知提供了可行路径。