SGM算法的快速实现

CPU

• 2010年，Martin Humenberger等人采用SGM算法计算粗视差图，然后对图像进行分割，在分割区域内进行视差平面的拟合，设置一定阈值，对无效视差进行填充。

• 2011年，Simon Hermann等人提出一种快速SGM算法，对原图进行下采样，在缩小的图像上采用SGM算法计算粗视差图，利用粗视差来缩小原图上的视差搜索范围，减少了计算量，但是最终视差图的准确度依赖于较为准确的粗视差图。2013年，这个作者提出了迭代的SGM（iSGM）算法，通过迭代的方式，由粗视差图逐渐过渡到精视差图，且放宽了对粗视差图准确度的要求，但增加了计算量。

• 2013年，Robert Spangenberg等人提出中心对称的Census变换和加权的汉明距离来进行代价计算，并依据ELAS算法计算自适应的路径代价的权重，准确度和效率都比iSGM算法更好，但是计算量还是很大。

• 2016年，Yingsong Li提出一种分层SGM的算法，对图像进行多次下采样，然后用SGM算法估计粗视差图，用上层的视差图来为下一层的视差搜索范围提供先验知识，大大减少了计算复杂度。

FPGA

• 2017年，Yan Li等人依据窗口内像素与中心像素的颜色和空间相似性，对不同路径代价赋予不同的权值，改善了视差不连续区域的准确度，效果比SGM原文更好，但基于窗口的自适应权值计算增加了计算量。

• 2021年，Zhimin Lu等人对Yan Li的方法进行改进，只根据相邻单个像素与中心像素的颜色相似性，对当前路径代价赋予不同的权值，且只对水平方向的两条路径计算自适应权值（原因是水平方向的路径对代价有更大的影响），减少了计算量，但牺牲了准确度（精度不如SGM原文）。

• 2021年，Chenyuan Zhao等人提出变化的中心对称的Census变换和加权的汉明距离来进行代价计算，减少了噪声的干扰，并且对SGM算法进行改进，在三组两两垂直的路径上进行代价聚合，最后求和作为最终的匹配代价，获得比AD-census算法更高的准确度（怀疑，看视差图远不如AD-census）。

GPU

• 2008年，Ines Ernst在GeForce 8800 ULTRA上实现SGM算法，对于640 480的图像和128的视差范围，达到了4.2fps，对于320 240的图像和64的视差范围，达到了13fps。

• 2011年，Xing Mei等人AD-Census算法，该算法采用AD和Census变换进行代价计算，相比于只用Census变换来说，对重复纹理更鲁棒，然后改进了十字交叉域代价聚合，使得一方面避免臂的延伸穿过边缘（视差不连续）像素，另一方面使弱纹理有更长的臂，这样对于视差不连续和弱纹理都更加鲁棒，在视差计算上，基本采用SGM算法，该算法曾一度排在Middlebury官网上第一的位置。在GeForce GTX 480上可以达到10fps。

• 2016年，D. Hernandez-Juarez等人对SGM算法提出了一种高效率的GPU并行方案，对于640 480的图像和128的视差范围，在Tegra X1可以达到42fps。

• 2018年，李迎松在其博士论文中采用他之前提出的分层SGM算法，并在GeForce GTX1070 GPU上进行实现，对于640 480的图像和128的视差，可以达到178fps。