【論文筆記-Stereo】ICCV2017 Cascade Residual Learning: Stereo Matching

這篇文章介紹了一種新的雙目視差計算框架，Cascade Residual Learning。

近年來，在MC-CNN的啓發下，視差計算算法成爲了一種可以用學習解決的問題。文章總結了近年來基於CNN的視差算法，主要可以分爲一下三種：
1. Matching cost Learning：這種方法主要將CNN用於匹配代價計算，輔之以一些經典的後處理方法，以得到比較好的視差圖。主要代表有：

• Han et al.的MatchNet：提出了Siamese 結構
• Zbontar的MC-CNN：提出將CNN用於提取patch特徵用於計算patch simularity，同時，他們將視差計算問題當做一個二分類問題，採取正負樣本抽樣、使用hinge loss 訓練cost 計算網絡
• Luo 等人將該問題變換爲一個概率分佈學習問題

這些方法都取得了非常不錯的效果，可是他們都需要對生成的視差圖比較繁雜的後處理，才能得到最後的結果。
2. Regularity Learning
3. End-to-end disparity learning: 通過細心的設計網絡的結構，我們可以通過端到端的方式直接學習得到精細的視差圖。這種框架的主要代表有：

• Mayer等人提出的DispNet，這種方法被用來學習合成的雙目圖像對。該方法還被用於光流計算，FlowNet 2.0便由此而來。
• GC-Net用3D卷積網絡學習上下文信息，以計算視差圖
• 在單目視差估計領域，監督的非監督的方法都實現了端到端的視差生成，並且，他們只需要少量的訓練樣本。
• CVPR 2017, 有人提出將CNN+CRF混合模型，也實現了雙目視差的end-to-end計算。

論文中的算法屬於第三種，