立体相机可以是3D地图的高分辨率来源。然而，有效的数据处理是必要的。大多数当前的立体匹配模型都是在低分辨率数据上训练的，因为高分辨率图像需要大量GPU内存。因此，最近的一篇论文侧重于将此类模型推广到高分辨率图像。

在第一阶段，预测初始下采样视差图。然后，反复细化全分辨率视差。该方法明确检测遮挡以指导更新。配备特殊归一化操作的新型细化模块可以推广到以前看不见的视差范围。还收集了4K分辨率立体图像的数据集用于评估。结果表明，该方法可以在没有任何高分辨率训练数据的情况下实现最先进的性能。

在小图像上训练的立体重建模型不能很好地泛化到高分辨率数据。在高分辨率图像尺寸上训练模型面临数据可用性的困难，并且由于计算资源有限而通常不可行。在这项工作中，我们提出了遮挡感知循环双目立体匹配(ORStereo)，它仅通过对可用的低视差范围立体图像进行训练来处理这些问题。ORStereo通过将任务制定为初始预测的残差更新和细化，泛化到具有大视差范围的看不见的高分辨率图像。ORStereo在视差范围限制为256像素的图像上进行训练，但它可以使用有限的GPU内存操作具有1000多个视差的4K分辨率输入。我们在合成和现实世界的高分辨率图像上测试模型的能力。实验结果表明，与在大视差范围上训练的最新方法相比，ORStereo在4K分辨率图像上实现了可比的性能。与仅在低分辨率图像上训练的其他方法相比，我们的方法在4K分辨率图像上的准确度提高了70%。