深度学习在深度(视差)估计中的应用(1)

本文对KITTI stereo 2015 datasets 冠军之作Cascade Residual Learning: A Two-stage Convolutional Neural Network for Stereo Matching进行简要解读。

前言

目前深度学习发展的如火如荼，利用CNN可以将图像对的匹配问题看成一个学习问题。但是如何能够得到高质量的深度图像仍然是一个普世问题。本文作者提出了一种新型的层叠式（cascade）CNN结构（CRL:Cascade Residual Learning）去估计深度信息。深度估计的过程大致可以分成两个步骤：

1. 在现有的DispNet的基础上添加几个反卷积模块，目的是为了得到full resolution的初始的深度信息，同时能够学习到更多的细节信息；
2. 第二步是对第一步中学习到的深度信息进行校准（rectify）；这一步利用到了第一步得到的多尺度的深度信息，然后并非是直接学习到优化后的深度信息，而是学习了每个尺度下的深度残差，然后结合第一步中得到的多尺度深度信息合成最终的深度图（这里有点类似于何凯明的residual的思想： It is easier to learn the residual than to learn the disparity directly）。

网络结构

下面详细的介绍下这个网络的结构:

可以很清楚地在上图中看到这两个不同的阶段。对于第一个阶段，类似于文献¹中提到的DispNetC结构（C是correlation层的意思），本文作者同样采取了沙漏形的网络结构。但是DispNetC网络的输出图像的分辨率只有原始尺寸的一半！CRL中的DispFulNet在DispNetC的基础上，在最后的两个卷积层增加了添加了反卷积模块，然后再串联左图；通过再次添加一个额外的卷积层，可以使得网络输出为全分辨率（和左右图大小一致）。注意：每个尺度（共6个尺度）上的临时输出与其对应的ground truth之间计算\(l_1\)损失。 总结一下就是，这个DispFulNet学习了这样一个网络：通过输入一对图片\(I_L\)和\(I_R\)，学习到了视差\(d_1\)，使得：

\[ \tilde{I}_L(x,y)=I_R(x+d_1(x,y),y) \]

上式中的\(\tilde{I}_L\)就是把右图根据视差移动后的结果，我们的目标就是\(\tilde{I}_L\)越来越接近\(I_L\)。

接下来就是第二阶段，将\(I_L\),\(I_R\),\(\tilde{I}_L\),\(d_1\)以及\(e_L=|I_L-\tilde{I}_L|\)串联起来²作为dispResNet的输入。此优化网络最后学到的是多尺度的残差\(\{r_2^{(s)} \} _s^S\)，其中s=0时表示全尺度残差。最后与DispFulNet输出的多尺度深度图\(\{d_1^{(s)}\}_s^S\)做和运算得到最后优化后的深度\(\{d_2^{(s)}\}_s^S\)： \(d_2^{(s)}=d_1^{(s)}+r_2^{(s)},0 \leq s \leq S\) 于是\(d_2^{(0)}\)就是最后的全尺度输出。

实验结果

以下是对其结果展示：

参考文献

---

1. 1.N. Mayer, E. Ilg, P. Hausser, P. Fischer, D. Cremers, A. Dosovitskiy, and T. Brox. A large dataset to train convolutional networks for disparity, optical flow, and scene flow estimation. In Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, pages 4040–4048, 2016.↩︎
2. 2.E. Ilg, N. Mayer, T. Saikia, M. Keuper, A. Dosovitskiy, and T. Brox. Flownet 2.0: Evolution of optical flow estimation with deep networks. In Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, pages 2462–2470, 2017.↩︎
3. 3.KITTI: Stereo Evaluation 2015↩︎
4. 4.code: Cascade Residual Learning (CRL)↩︎