这是kitti上排名靠前的文章
且最近希望能够从传统方法的角度上看看可否突破
因此这篇文章必定细读之
摘:
SGM是一个常用的规范化方法,以其较高的精度以及较快的速率闻名于世。
通过改变SGM的惩罚参数来调节视差预测图是否平滑还是不连续,SGM能够取得一个较好的结果。所以要用好非常的不容易而且跟使用者的经验有很大的关系。
因此本文提出一种这个参数估计的方法,美其名曰 SGM-Net ,由卷积神经网络构成。
SGM-Net的输入是小图像块以及位置,输出就是3D物体结构的惩罚。为了网络能够训练,loss也做一番手脚。
对于SGM来说非常重要的惩罚因子应当根据3D物体的结构形状来决定。比如路面就很平滑,因此用CNN去进行惩罚的预测。
本文贡献:
1.对于SGM设计一个学习的方式去对其中重要的惩罚因子进行估计。
2.物体结构形状可明确区分
3.效果好,不论对于真实数据人造数据,各种艰难的环境,反射,模糊,噪声等等,效果杠杠的
相关工作
一般而言,利用CNN来获取local correspondence 信息,再由SGM来regularization。
MRF可以看做SGM的一个常用的方法
有个假设,梯度大的像素可能会不连续的。这意味着这里像素的惩罚应该小一点,来让视差进行跳跃(所以像素梯度大,变化大的地方惩罚小)
条件随机场(CRF)