qq_43579156的博客

算法起源——Patchmatchpatchmatch算法是为了图像编辑而提出的，通过找到与边缘部分最匹配的其他部分来填补边界区域，从而达到自然的效果。算法的关键是可以通过随机采样找到一些好的补丁匹配，并且由于图像的连续性，我们能够将此类匹配快速传播到周围区域。如果直接采用枚举的方式来解决这个问题，若B图的大小为M，A中patch的像素数为m，那么一个匹配的计算复杂度是O(M2m)O(M^2m)O(M2m)算法的三个事实基础：1.针对O(M2m)O(M^2m)O(M2m)的维度，一般算法降低patc

针对的问题SGM的惩罚参数是通过经验方法计算得到的，难以对其进行调整，以控制视差图的平滑度。解决方法提出基于学习的惩罚参数估计方法SGM-Nets。输入image patch和对应的位置，即可输出三维物体结构的惩罚参数。同时惩罚参数会根据正负视差的变化而产生变化，从而可以更加有区别的表示物体结构。同时，引入了一种损失函数，可以利用稀疏注释的视差图，比如激光传感器捕获的真值。因此，本文贡献如下：1.首次提出将神经网络用于SGM，并且引入了新的损失函数。2.新的SGM参数化可以把正负视差变化分开，

一、核心思想1.以前算法的问题内存消耗过高，或者增加了时间损耗。MVSNet内存消耗是分辨率的三次方，PointMVSNet运行时间增长为迭代次数的线性倍，这篇文章对比的对象主要是PointMVSNet。2.主要改进方向加快运行速度3.与PointMVSNet的不同1.后者是在3D点云上执行卷积，而前者是在图像坐标上定义的规则网络上构建成本量，运行更快。2.随着分辨率的提高，代价体变得越来越紧凑。3.使用多尺度3D-CNN正则化从而覆盖大的感受野4.可以用小分辨率图像输出小分辨率深度图