基于深度学习立体匹配中的‘Cost Volume‘

• 最近太忙，我把参考资料和相关文献给大家整理一下，以及代码演示，print出来让大家看懂。一起进步！
  cost volume1
  cost volume2
  cost volume3
  cost volume4
  cost volume 5

• 《Cascade Cost Volume for High-Resolution Multi-View Stereo
  and Stereo Matching》
  
  

• 《Pyramid Stereo Matching Network》
  

• 我把PSMNet中 左右特征图的Tesnsor和最后合并的cost volume的size 都打印出来方便大家看，这里PSMNet的处理方式就是按列拼接。

load PSMNet
Number of model parameters: 5224768 
CNN-out torch.Size([1, 128, 96, 312])
output_branch1-before torch.Size([1, 32, 1, 4]) * 第一层金字塔上采样前的图
output_branch1 torch.Size([1, 32, 96, 312]) *第一层金字塔upsample后的图
output_branch2-before torch.Size([1, 32, 3, 9]) *第2层金字塔上采样前的图
output_branch2 torch.Size([1, 32, 96, 312])*第2层金字塔上采样后的图
output_feature: torch.Size([1, 32, 96, 312])  *左图特征图输出输出

CNN-out torch.Size([1, 128, 96, 312])
output_branch1-before torch.Size([1, 32, 1, 4])
output_branch1 torch.Size([1, 32, 96, 312])
output_branch2-before torch.Size([1, 32, 3, 9])
output_branch2 torch.Size([1, 32, 96, 312])
output_feature: torch.Size([1, 32, 96, 312])*右图特征图输出输出
cost volumn torch.Size([1, 64, 48, 96, 312]) *cost volume

• 下面的图形象的说明了，cost volum
  1.这是一个金字塔 cost volume,不用看每一层，只看一个尺度的就可以了。
  
  
• 一个知乎博客的问题很有趣，会给大家pow出来PSMNet：
  （1）关于cost volumn部分，这里还是很清晰的，其实一直不明白，为什么论文中Table1: cost volunme为concat left and shifted right明显是一个shifted另一个没有，但如果不是都shifted的话，就会缺少D这个维度，这里很是疑惑；