SGM-Nets: Semi-global matching with neural networks

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）