《AANet: Adaptive Aggregation Network for Efficient Stereo Matching》CVPR2020

AANet

《AANet: Adaptive Aggregation Network for Efficient Stereo Matching》CVPR2020，针对双目匹配任务的论文。

论文：https://arxiv.org/abs/2004.09548v1
代码：https://github.com/haofeixu/aanet

一、目的和贡献：

目前最好的立体匹配模型基本都用3D卷积，计算复杂度高且占用大量存储空间，本论文的目的就是完全替代3D卷积；
提出:
尺度内代价聚合模块：基于稀疏点，缓解边缘视差不连续问题；
尺度间代价聚合：跨通道，解决大的无纹理区域问题；

二、相关工作

Local Cost Aggregation：
基于窗口的方法，假设窗口内都有相同视差，这样做不能处理好视差不连续的地方，目标边界或者精细结构边界变粗
Cross-Scale Cost Aggregation：
Stereo Matching Networks：
Deformable Convolution：

三、 方法：

输入：rectify后的左图和右图；
共享权值抽取特征；
多尺度的3D cost volumes：3个尺度(实现方式和dispnet一样)；
AA模块：堆叠6个；
refine模块：多个预测值上采样到原始分辨率。

3.1 Adaptive Intra-Scale Aggregation

• 目的
  为了解决视差不连续处的边缘变粗的问题，提出基于稀疏点的高效、灵活的代价聚合方式，形式和可形变卷积类似；

• 计算代价公式
  
  $C\in R^{D\ast H\ast W}$, D代表最大视差，H和W代表高和宽;
  $\hat{C}(d,p)$是像素 p 位置在候选视差 d 处的代价值;
  $K^2$ 是采样的点数(本文K=3), $w_k$$ 是k个点的权重，$p_k$是p的固定偏移(和window based代价聚合方法一致)；
  $\Delta p_k$ 是可学习的额外偏移，有了这一项对***目标边界和薄结构效果更好***。
  $m_k$ 是每个位置的权重，用来控制采样点的相对影响从而实现内容自适应的代价聚合，参照可形变卷积v2。
  $\Delta p_k和m_k$ 由单独的卷积层计算，输入为cost volume C；
  原始可形变卷积偏移$\Delta p_k$ 和权重$m_k$ 所有通管道共享，这里把通道划分成组，组内共享。用了空洞卷积，设置组数G=2，dilation rate=2。

• ISA结构：
  Intra-Scale Aggregation(ISA)由三层卷积和残差连接堆叠而成，三个卷积1x1、3x3(deformable conv)、1x1,类似bottlenect结构，这里保持channel等于候选视差数不变。

• 其他：

这里把固定窗口代价聚合改进成了任意形状，输入是cost volume，参考了可形变卷积v2，仿照v2实现了不同偏移位置全中国不同(这里不同的是mk而不是wk，wk是窗口聚合权重，mk是对聚合权重的修正)；
分组聚合有点group normalization或者gwc-net里group correlation的样子，算是一个对逐通道和全部通道的折中；
用了dilation conv；

3.2 Adaptive Cross-Scale Aggregation

• 目的
  无纹理和低纹理区域，在粗糙的尺度先搜索视差效果会好一点，下采样的图有更具判别型的信息。所以用一个加入一个跨尺度的代价聚合模块CSA。
• 每个尺度经过cost volume如下：
  
  ${\hat{C}}^s$就是尺度s经过跨尺度代价聚合后的cost volime结果，s表示第几个尺度(s=1是最大分辨率)，S是尺度总个数；
  $f_k$ 采用HRNET的方法，可以让多个尺度自适应的合并cost volume。
• 不同尺度的$f_k$ 怎么计算？
  
  第一项$I$ 是恒等式，聚合尺度s的时候，当前尺度的cost volume直接用；
  第二项是s-k个步长为2的3x3卷积，就是大尺度经过下采样为了和下尺度分辨率一致，当前cost volume尺度小于s时候；
  第三项是bilinear upsampling后接1x1，当前cost volume尺度大于s时候；

这里其实就是不同尺度聚合的时候分辨率不同，用这种方法对齐分辨率，大的变小，小的变大，自身尺度恒等不变。

• 和HRNet的不同？
  1)本文受传统跨尺度成本聚合算法的启发，目的是通过神经网络层来近似几何结论，HRNet旨在学习特征表示；
  2)低尺度cost volume通道数（对应视差维度）减少一半，因为粗尺度的视差搜索范围小了；而HRNet增加了一倍，可以说明本文的更高效。

3.3 Adaptive Aggregation Network

堆叠6个AA Module做代价聚合，前三个的ISA只用普通2D卷积，后三个在用deformable conv(网络里一共用了9个做代价聚合)；
特征提取器类似resnet，40层，其中6个conv被改为deformable conv；
FPN构建1/3，1/6，1/12分辨率特征；
用两个StereoDRNet里的refine模块分层上采样1/3的视察预测结果到原始分辨率(先到1/2再到原始)；

3.4 Disparity Regression

soft argmin方法，$D_{max}$ 是最大视差范围， $\sigma$ 是softmax，这种基于回归的方式可以实现亚像素精度，现在基本都是用这种方法。

soft argmin就是不直接选代价最小视差，cost volume用softmax转化为概率，对视差做个加权求和。

3.5 Loss Function

$V(p)$ 是mask，因为有些位置缺失标签所以用GANET预测pseudo的label。

四、实验