论文精读《Adaptive Support-Weight Approach for Correspondence Search》TPAMI 一区 2006

title:　　HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching
date:　　 2023-04-10 08:35:32
tags:　　 论文精读  立体匹配传统方法 自适应窗口权重

作者	Kuk-Jin Yoon，In So Kweon,
单位
代码
期刊/会议	TPAMI 一区
关键词	2006

0.摘要

　　我们提出了一种新的基于窗口的对应搜索方法，使用不同的支持权重。我们根据颜色相似度和几何接近度调整给定支持窗口中像素的支持权重，以减少图像的歧义。我们的方法在标准立体基准上优于其他局部方法。

1. Introduction

　　为了不仅在深度不连续处获得准确的结果，而且在均匀区域，应该自适应地为每个像素选择合适的支持窗口。为此，已经提出了许多方法。根据它们的技术，它们可以大致分为几类：自适应窗口方法、多窗口方法、基于分割的方法（使用任意大小的分割区域作为支持窗口）、自适应权重

　　在本文中，我们提出了一种新的对应搜索方法，以在深度不连续和均匀区域获得准确的结果。我们使用颜色相似性和几何接近度计算给定支持窗口中像素的支持权重。该方法由三部分组成：自适应支持权重计算、基于支持权重的差异计算和视差选择。我们在第2、3和4节中对每个部分进行了详细的解释，在第5节中显示了一些实验结果。然后，我们在第6节中讨论所提出的方法，并在第7节结束本文。

2. 人眼系统中的支持聚合（support aggregation in the human visual system）

　在聚合支持来衡量图像像素之间的相似性时，只有当相邻像素来自同一深度时，来自相邻像素的支持才有效——它具有相同的视差——所考虑的像素。然而，我们事先不知道像素的视差，因为视差是我们想要计算的。出于这个原因，一些方法[1]、[10]、[12]迭代更新支持窗口或支持权重。然而，迭代方法对初始视差估计非常敏感，计算成本很高。为了解决这个困境，我们观察到人类视觉系统中执行的机制进行对应搜索。事实上，所提出的方法源于观察到支持窗口中的像素在人类视觉系统的支持聚合步骤中并不同等重要的观察结果。

2.1 Gestalt Grouping

　　视觉分组对于形成支持窗口并计算支持权重非常重要，因此，可以使用手势原则来计算支持权重。有许多视觉线索用于感知分组[13]、[14]。其中，相似性和接近度是经典手势理论中的两个主要分组概念。基于相似度（或平滑度）和接近度的组织手势规则是最重要的规则之一，已广泛用于视觉研究 [15]、[16]、[17]。手势原则o

　　相似性和接近度的 gestalt 原则也用于计算支持权重。我们根据相似度和接近度分组的强度计算像素的支持权重——支持权重与分组的强度成正比。像素的颜色越相似，其支持权重越大。此外，像素越接近，支持权重越大。前者通过相似度与分组相关，后者通过接近度与分组相关。虽然这两个规则通常是分开陈述的，但它们必须以集成的方式被视为单个规则，以获得合理的分组

2.2 Support-Weight Based on the Gestalt Grouping

　　基于gestalt原理，像素的支持权重可以写成

3. Locally adaptive support-weight computation

3.1 Strength of Grouping by Similarity

　　像素颜色之间的差异是在CIELab颜色空间中测量的，因为它为颜色刺激的感知提供了三维表示。随着CIELab颜色空间中两点之间的距离增加，这是合理的,假设点所代表的刺激之间的感知色差相应增加。特别是，短欧几里得距离与人类颜色辨别性能密切相关。当¡c pq 表示两种颜色之间的欧氏距离时，

，在 CIELab 颜色空间中，两种颜色之间的感知差异表示为

其中λ为14。基于(3)，颜色相似度分组的强度定义为

3.2 Strength of Grouping by Proximity

　　接近度分组的强度以相同的方式定义。根据邻近原理，随着与参考像素的空间距离的增加，像素的支撑权重减小。在这里，与色差一样，只有小的空间距离与人类辨别性能密切相关。因此，使用拉普拉斯核定义为邻近分组的强度

3.3 Support-Weight Based on the Strength of Grouping

　　According to (4) and (5), (1) can be rewritten as

　　在这里，值得注意的是，所提出的方法根本不依赖于初始视差估计，因为自适应支持权重计算完全基于给定支持窗口内的上下文信息。

4. Dissimilarity computation and disparity selection　

　　像素之间的差异（即匹配成本）是通过将原始匹配成本与两个支持窗口中的支持权重聚合来衡量的。在这一步中，与现有方法不同，我们考虑了参考窗口和目标支持窗口中的支持权重。当仅考虑参考支持窗口时，当目标支持窗口具有不同深度的像素时，计算的差异可能会是错误的。为了最小化此类像素的影响，我们通过结合两个支持窗口中的支持权重来计算像素之间的差异。组合支持权重有利于可能与两幅图像中的中心像素具有相似差异的点。像素p和ܵpp d, Eðp;ܵpp dÞ可以表示为