ActiveStereoNet: End-to-End Self-Supervised Learning for Active Stereo Systems

  1. Network architecture

  1. Loss function

主要用的左图与reconstructioned的左图之间的差异,叫做photometric loss,然后亮处像素之间的差异一定会比暗的地方的差异大的。所以像素之间的residual是跟像素的亮度有关。

然而,亮度与视差实际上是不相关的。所以,需要消除亮度的影响。因为非监督里面,的确loss是像素之间的loss。

  1. Weighted Local Contrast Normalization(LCN)

局部一致性规范化

这个loss对于occlusions部分非常的鲁邦,同时不受像素光照的影响因此在low tecture区域也可以表现出良好的性能。

Reconstruction error高度受高亮区域以及occluded 区域影响,如果每个块都可以在9×9的区域内,减均值,去方差,那么如图中不受此类区域影响。

对于低纹理区域,方差很小,几乎为零,这样残差就会被无故放大,因为方差为分母,因此残差加上一个权重,来消除这个影响。最后的结果如图右,这样,最后的残差residuals既不受高亮区域影响,也不受低纹理区域影响了。

 

  1. Window-based Optimization

这是不同区域的cost volume曲线,窗口越大,越稳定,窗口越小,如蓝线,则非常的不稳定。

对于单一像素成本曲线,表现出非常严重的非凸性,这样是难以得到真正的ground truth的。传统算法是可以通过代价聚合,根据周围像素的信息对最后的预测结果进行鲁棒化的。这种聚合再实时性的系统上还是很慢的。训练过程中的聚合如下:

  1. Invalidation Network

全连接网络,使用左右一致性的性质来进行置信度的确定

  • 4
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值