Cross-Scale Cost Aggregation for Stereo Matching

摘：

人类根据不同的尺度来处理立体匹配等问题。然而，这种灵感被现如今的成本聚合方法当中所忽视了。本篇论文，将会介绍一个在成本聚合中多尺度相互作用的多尺度成本聚合算法。我们首先从统一优化的角度来形式化成本聚合，表明了不同的成本聚合方法本质上是其核的不同。接着，一种尺度内的规范化将会用在优化上同时解决这种新的优化问题。既然规范化项在相近的核中都是独立的，不同的成本聚合方法能够融入进通用的算法框架、实验表明，交叉尺度框架非常的重要，因为有效的扩张了现在的成本聚合方法。导致了极其重要的进步。

介：

两图之间的密度联系是计算机视觉领域的核心问题。加入一个两站图片是同一幅画面的立体对的两张图这样一个限制条件之后，那么密度联系问题就退化为了立体匹配问题。一个立体匹配算法通常采用了四步：成本计算，成本聚合，视差计算和视差优化。在成本计算步骤，通常在每个可能的视差等级中的每个像素上都要计算这个匹配成本，得到一个3维的数据量通常被称作视差空间图。成本聚合阶段，这些成本量被聚集起来，导致了一种偏移量的分块连续性，每个像素都有一个支撑域。接着，每个像素的偏差值以一种局部或者全局优化方法来计算，分别在接下来两步的预处理方法中有所定义。通过这些步骤，成本聚合的质量会对立体算法的成功有着非常重要的影响。这对现在的局部算法是一个核心的成分。对一些性能优秀的全局算法也是一个主要的组成部分。因此，这篇论文，我们主要关注于成本聚合。

大多数成本聚合方法被看做是在成本向量上的联合滤波器。实际上，甚至一些简单的线性图片滤波器比如box或者高斯滤波器也能够用在成本聚合上，但是就像各方向扩散滤波器，他们试图模糊这个深度边界。因此，一些边界保存滤波器比如说双边滤波器还有指导图片滤波器被常用来进行成本聚合.有人用双边滤波来进行成本聚合的实验，可以生成视差图，但是太消耗计算资源了，为了降低双边滤波器的计算限制，有人引进了指导图滤波器，那么他们的计算复杂度只与核大小有关。最近，Y提出了非局部成本聚合方法，将核尺寸扩大到整个图像。通过计算图片图像域的MST，这个非局部成本聚合能够进行的非常的快。M追随着这个非局部成本聚合的想法同时表明使用部分树而不是MST从而保证了偏差的一致性。效果更好。

所有这些现在的成本聚合方法都对立体视觉做出了巨