------------------------背景分析---------------------------------------------
立体匹配的难点:
无纹理区域、细节结构、小物体和邻近边界找到正确的对应关系
之前的立体网络存在的缺点:
1 对所有潜在视差的多个前向计算通路的计算负担
2 有限的感受野和缺乏上下文信息来推断不适定区域的相关性
3 大量由经验手动设计参数的后处理模块
分析:忽略全局上下文不可避免地丢失在视差图中产生精细细节的高频信息,没有几何约束下大多数立体匹配网络都过拟合,相应的泛化能力也很差。
Tip: 边缘不等同于物体的边界,边缘指图像中像素的值有突变的地方,物体的边界指的是现实场景中的存在物体之间的边界
------------------------改进工作---------------------------------------------
本文的主要贡献(multi-task learning network):
改善这些不适当区域的视差估计的质量,在一个统一的模型中探索立体和边缘信息的相互利用,以有效的多任务学习网络(立体匹配和边缘检测,两个任务可相互促进),学习从立体对到视差图和对应于基于参考图像的边缘图的最佳映射,加入边缘线索之后,视差估计的泛化能力变强。
------------------------基本结构---------------------------------------------