《STTR：Revisiting Stereo Depth Estimation From a Sequence-to-Sequence Perspective with Transformers》

参考代码：stereo-transformer

1. 概述

导读：这篇文章通过transformer机制实现了一种立体匹配算法（STTR），在该方法中将立体匹配问题转换为序列上的响应问题，使用未知信息编码与注意力机制替换了传统匹配方法中的cost volume策略。由于替换了cost volume解除了预定max-disparity假设的限制，增强了网络的泛化表达能力。在估计视差图的同时显示地估计遮挡区域的概率结果。此外，为了寻找右视图到左视图的最佳匹配，文中对其中的匹配矩阵添加熵约束，从而实现对匹配过程的添加唯一性约束。

将文章的方法（STTR）与correlation-based和3D convolution-based方法进行比较，可以归纳为：

• 1）STTR与correlation-based方法比较：STTR在进行左右视图匹配的时候通过self-attention和cross-attention建立相关性，并且对像素点匹配的结果进行唯一性约束；
• 2）STTR与3D convolution-based方法比较：STTR通过attention建立像素之间的关联，而不是通过设定max-disparity的形式建立cost volume；

文章的方法在下面几个数据集下的结果：

2. 方法设计

2.1 pipline

文章提出的方法pipeline见下图所示：

在上图中可以看到左右两视图经过一个共享backbone和tokenizer进行特征抽取，这部分的实现可以参考：

# backbone 部分
# module/feat_extractor_backbone.py#L15
class SppBackbone(nn.Module):
    …

# tokenizer部分
# module/feat_extractor_tokenizer.py#L62
class Tokenizer(nn.Module):
    …

经过上面两个过程对特征进行抽取得到的是channel为$C_e$，空间分辨率与原输入尺度$(I_h,I_w)$一致的特征图。之后这些特征图便与位置编码组合经过$N$层的attention操作预测得到粗预测结果，之后再改结果的基础上进行refine得到最后的结果。

2.2 Transformer操作

文章提出的transformer结构可见下图：

在上图中可以看到其中首先会经过几个attention层（带position encoding），之后
特征经过带mask的cross-attention得到最后优化的特征。

2.2.1 attention操作

这里采用的attention操作是multi-head attention，可以参考pytorch的实现nn.MultiheadAttention。这里会将特征图在channel维度进行分组操作，对不同的分组进行运算从而增强特征的表达的能力，对于组的划分可以描述为：$C_h=\frac{C_e}{N_h}$，其中分母是划分的组的数量。在每个分组中会产生回应的query、key和value向量，其分别表示为：
$$Q_h=W_{Q_h}{e}_I+b_{Q_h}$$
$$K_h=W_{K_h}{e}_I+b_{K_h}$$
V h = W V h e I + b V h V_h=W_{V_h}e_I+b_{V_h} Vh​=WVh​​e