论文阅读《RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching》

论文地址：https://arxiv.org/abs/2109.07547
源码地址：https://github.com/princeton-vl/RAFT-Stereo

---

概述

  本文提出了一种适用于双目立体匹配的模型架构，基于光流估计网络RAFT，通过使用多级卷积GRU模块来在图像传播全局信息，并取得了不错的实验结果；

---

模型架构

  对于给定的输入图像对 $I_L、I_R$，模型主要包含以下三个步骤： 使用权值共享的CNN提取特征、构建相关性匹配代价体金字塔、使用GRU模型来从关联性金字塔中抽取特征，并对视差图进行更新。

特征提取

  左右视图的图像经过特征提取器得到原图大小 $\frac{1}{4}H\times \frac{1}{4}W\times C与\frac{1}{8}H\times \frac{1}{8}W\times C$ 的feature Map，特征图用于构建correlation Volume。在Encoder部分使用 Instance Normalizaition
  Context Encoder 使用类似的结构对 $I_L$ 处理得到内容特征图，一部分用于初始化GRU模块的隐藏状态(对应代码中的net_list)，一部分作为上下文信息特征(对应代码中的inp_list) 。

相关性金字塔

相关性代价体

  使用特征向量的点积来衡量两者之间的相似度，对于左右视图提取的特征图 $f,g\in R^{H\times W\times D}$，在不同视差下计算对应点之间的匹配度，得到匹配代价体 $C\in R^{H\ast W\ast W}$ ，如式1所示：
$$C_{ijk}=\sum _h{f}_{ijh}\cdot g_{ikh},C\in R^{H\ast W\ast W}\text{\hspace{1em}(1)}$$
注：在光流估计中没有视差的概念，实际是在水平方向上都计算像素间的相关性，得到一个代价体，因此可以看作视差的范围为W

相关性金字塔

  得到了相关性代价体 $C\in R^{H\ast W\ast W}$ 后，在最后一个维度上不断下采样，构建相关性代价体金字塔；其中第 k 层的代价体为 $C_k\in R^{H\ast W\ast \frac{W}{2^k}}$，每一层代价体都拥有不同的感受野；

Correlation Lookup

  文中定义了一种查找算子，对于某个像素点p与该点当前预测的视差值d，在每个level上的视差维度上以[d-r, d-r+1,…0, …d+r]来采样匹配值，最后将所有levle的匹配值cconcat得到一个新的correlation features $\in R^{b\times (2r+1)\ast level\times h\times w}$。（$c_1$ 感受野较小，进行小范围视差搜索，$c_3$ 感受野较大，进行大范围视差搜索 ）

多层级更新策略

  原始的RAFT只在单一尺度上进行视差优化，本文提出多级迭代优化策略用于增强模型对弱纹理区域的适应性：

此部分有点复杂，结合代码讲解，包含以下步骤：

1. 使用$1/32$ 尺度下 GRU 状态特征、 $1/32$ 尺度下的图像特征、 与 $1/16$ 尺度下的GRU状态特征送入gru32的Conv模块中，更新当前level下的GRU状态特征；
2. 使用$1/16$ 尺度下 GRU 状态特征、$1/16$尺度下的图像特征、与 $1/8$ 尺度下的GRU状态特征送入到gru16的Conv模块中，更新当前level下的GRU状态特征；
3. 使用关联特征和初始的flow送入融合CNN，得到motion feature，使用$1/8$ 尺度下 GRU 状态特征、 motion feature在与$1/8$尺度下的图像特征送入二维GRU模块更新该level下的GRU状态特征；
4. 将GRU隐藏状态特征送入CNN中得到光流偏移量；

    def forward(self, net, inp, corr=None, flow=None, iter08=True, iter16=True, iter32=True, update=True):
		# net ： GRU state feature list
		# inp ： img feature list
        if iter32:
            net[2] = self.gru32(net[2], *(inp[2]), pool2x(net[1]))
        if iter16:
            if self.args.n_gru_layers > 2:
                net[1] = self.gru16(net[1], *(inp[1]), pool2x(net[0]), interp(net[2], net[1]))
            else:
                net[1] = self.gru16(net[1], *(inp[1]), pool2x(net[0]))
        if iter08:

            motion_features = self.encoder(flow, corr)
            if self.args.n_gru_layers > 1:
                net[0] = self.gru08(net[0], *(inp[0]), motion_features, interp(net[1], net[0]))
            else:
                net[0] = self.gru08(net[0], *(inp[0]), motion_features)

        if not update:
            return net
        # caculate the delta_flow in high resolution scale
        delta_flow = self.flow_head(net[0])

  通过多层级更新策略可以同时更新不同尺度下的GRU隐藏状态向量，多个单元之间的信息相互传递，增加了特征的感受野；使用大分辨率的特征图进行多尺度Conv-GRU迭代会带来较大的计算开销，对此文章引入了Slow-Fast GRU，即大尺度特征处的GRU更新一次，对应小尺度特征处的GRU更新多次。

---

损失函数

$$\mathcal{L}=\sum _{i=1}^N{\gamma }^{N-i}{\Vert {\mathbf{d}}_{gt}-{\mathbf{d}}_i\Vert }_1,\text{ where }\gamma =0.9\text{\hspace{1em}(2)}$$

---

实验结果