EdgeStereo: A Context Integrated Residual Pyramid Network for Stereo Matching

引：本文更关注context信息简化多阶段学习提升视差细节，首先，提出一阶段网络CP-RPN来做视差估计，接着，用多任务，EdgeStereo用mid-level特征来修复视差中丢失的细节。边缘检测与视差估计将会互相促进

1.介绍

以往的方法有很多局限性：1.接受域限制。2.使用后处理导致速度很慢。

1）困难无纹理区域较难理解。

2）多阶段网络效率很低

3）计算很复杂

3 Approach

先介绍原始的CP-RPN，接着介绍端到端多任务的EdgeStereo，包括HED网络以及CP-RPN与HED之间的关系

3.1 CP-RPN

三部分：

local stereo volume extraction 提取成本向量

context pyramid 内容金字塔

2-D编解码（残差金字塔）

local stereo volume extraction 提取成本向量

就是VGG的conv1_1至conv3端，左右共享权重，在ImageNet上面预训练，随后1dcorrelation与dispnet-C类似。细节不阐述。个人觉得这个特征提取的过于长了，不知道速度如何

Context Pyramid

我们的网络内容尺度应该是多尺度的，如果是单尺度，尺度过小，则很多连续的视差将会变得不连续以及出现断层。尺度过大，那么小物体以及一些细节信息将会丢失。

再比如，如果只考虑了全局先验，视差图将会过于平滑没有一些精细的细节，比如像素层大的梯度跳跃将难以反映到视差的跳跃上。因此，我们应当结合局部先验与多尺度的文本线索。

何为接受域的尺度，就是我们利用文本的程度大小。随后，这些多尺度得到的结果是conca