【论文学习笔记-2】高分辨率3D深度重建

背景介绍

应用场景广泛：桥，电缆etc

高分辨率图像的特点：像素多，potential disparity的范围很大（对应着计算量很大）

基于图像的重建时，图像中可能有纹理缺乏、表面倾斜、照明不足等情况，这会导致在这些区域出现重建失败或产生稀疏的视察预测问题。

深度学习方法比非学习方法在重建的表现上更好，但是会受到数据集和计算硬件的约束。

常规双目数据集的像素不超过1M pixels

减少存储需求的技术手段：Skip Connection ，Special Pooling，但是这些方法大都采用了极耗存储空间的成本聚合方法。即使最近的方法也不能很好的满足4K图片对的存储需求。

1000 disparity range 的SGM方法处理4K图片需要消耗50GB的CPU存储空间，SGBM方法可以在有限计算资源上处理4K视频对，但是鲁棒性不强，在很多例子上表现不好，如图

Bad case 分析：多个视察值的matching cost相近，不知道选哪个，所以也许缩小disparity range会有用。

作者还发现, 深度学习模型可以估计其视差预测的不确定性。不确定性可以在一定程度上代表视察搜索范围。

模型

non-learning mothod guided by learning-based model

目标

高像素三维重建任务的高efficiency