【论文学习笔记-13】GwcNet：Group-wise Correlation Stereo Network（2019CVPR）

以往的立体匹配存在的问题：

相关性计算给每个视差值只提供了一个单通道的相关图。使用GCNet和PSMNet等文章中的拼接+3DCONV的方法的参数量和计算量很大，其他的方法要通过传统的cost计算方法，很难融入端到端网络中。

本文提出了简单但高效的group-wise correlation方法。首先提取多层次的特征并叠加，获取高位的特征表示fl,fr。然后特征被分为若干组，然后对应组之间进行互相关操作，获得group-wise correlation maps，最后correlation maps打包形成最后的4D Cost Volume。多重matching cost计算能减少信息的损失。

Contribution

①提出了group wise的correlation来建立cost volume。

②使用了沙漏refine network来提高速度（没有额外消耗时间）

③效果超过了之前的方法③计算速度比3D CONV强大。

Network

网络包含四个部分,特征提取，cost volume，3D 聚合模块和视差预测。

特征提取使用了类ResNet网络（PSMNet采用），使用了空洞卷积和金字塔池化模块。最后的三层特征层被叠加起来，得到320通道的featuremap。

CostVolume由两个部分组成，第一个部分是和PSMNet一样的特征拼接（错位拼接？）。但是在这之前先通过两个卷积将特征压缩至12个channel，然后是一个组间correlation操作（之后详细描述），之后两个volume拼接在一起并输入3D aggregation 模块。

3D aggregation模块和GCNet，PSMNet类似，用于