【论文学习笔记-9】ACFNet：Adaptive Unimodal Cost Volume Filtering for Deep Stereo Matching（2020AAAI）

立体匹配算法一般包括四个部分：代价计算，代价聚合，视差计算，视差优化。其中代价计算部分经常会计算出一个Cost Volume，而现有的SOTA算法一般会通过argmin或者soft argmin来计算出整数/亚像素级别的视差，这些算法通过设计端到端网络，获取一个完全可微的模型，并让网络直接除数视差图，使用smooth L1 loss直接进行端到端训练。但是，这些算法并没有对Cost Volume做出直接的限制，而事实上有无数种可能的CostVolume分布能让CostVolume输出正确的结果。这是一种值得警惕的现象，因为不加约束的训练可能导致模型发生过拟合问题。因此作者考虑对CostVolume施加约束以提高立体匹配的效果。

整体网络结构如图：

作者以SOTA模型 PSM-Net为BackBone计算Cost Volume，添加了一个自适应单峰CostVolume滤波器，并设置了一个额外的Loss（Stereo Focal Loss）让CostVolume的分布朝向理想的分布（单峰分布）改变。

回归到CostVolume的本质，它是一个H*W*D的矩阵，它被用于反应候选像素对之间的匹配相似度，正确匹配的像素应该有最低的cost，而随着距离离正确视差值越远，匹配的cost应该越高，呈现一个单峰状的分布，在正确的视差值处达到顶峰。已知正确的视差值$d^{gt}$，单峰状分布定义为：

其中
σ代表分布的方差，用于控制分布的尖锐程度。然而在不同像素点位置的σ应该是不一样的，比如桌角处的分布就应该很尖锐。为了达到这种效果，作者使用了一个置信度评估网络来自适应的预测每个像素的σ。

置信度评估网络接受Cost Volume作为输入，用很少的网络来确定每个像素的匹配置信度，方法是利用卷积层为基础来检测每个像素周围一些像素的匹配状态。

网络结构是33卷积 $\to$ BN层 $\to$ ReLu $\to$ 11卷积 $\to$ sigmoid输出 一个维度为H*W的置信度矩阵（值域（0,1）)置信度大代表在这个像素能找到特别的匹配点的可信度很高，置信度小代表匹配可能有问题（Matching ambiguities），方差和置信度的转换函数为：

s是尺度因子，ε是方差的下界，有

Stereo Focal Loss: 获得估计的cost分布和ground truth的分布之后，本文采用Focal Loss来解决Sample Imbalance problem（正负样本比例严重失衡）而不是交叉熵，公式为：

总损失函数：

Experiment