Review Article Review of Stereo Matching Algorithms Based on Deep Learning

基于深度学习的立体匹配算法综述（没看完）

（1）非端到端（2）端到端（3）无监督

非端到端

限制：每个深度值下计算成本问题，有限的感受野无法推断出错误点，后续步骤还是依靠经验手动设置参数。

端到端：可生成高精度深度估计，但是在无纹理、详细结构的小物体和近边界处很难找到正确对应点。而且需要更大的存储器和相对费时，对应的地面真值训练和大量标记工作。

Kitti数据集是怎么来的，安装在车顶部的相机拍的，还有旋转激光扫描仪，测量地面真值，数据集包含真实的视差值可以用于训练，也可以给出精确度用来预测。评估指标通常是端点误差（EPE），即像素的平均平 均视差误差。对于KITTI 2012，报告了 ⾮遮挡（Non-occ）和所有（All）像素 的错误像素百分⽐和平均端点错误。对 于KITTI2015，将针对背景，前景和所 有像素评估视差离群值D1的百分⽐。 离群值定义为视差误差⼤于max （3px，0.05d *）的像素，其中d *表示 地⾯真实视差。

非端到端：原始的太费时间，需要67秒，快速结构只要0.7秒。一个是cnn完了连接到DNN，一个是在代价计算中融入了多尺度特征，cnn完了之后直接点积。Luo提出