一文详解立体匹配

主要观点总结

本文介绍了双目匹配中的SGM（Semi-Global Matching）算法以及其与深度学习算法如monodepth的比较。文章详细阐述了SGM算法的原理、流程，包括Census Transform、Compute Cost、Cost Aggregation、Compute Disparity等步骤，并解释了代价聚合的重要性。同时，也介绍了深度学习方法在视差估计中的应用，如monodepth，并比较了其与SGM的异同。最后，文章展望了未来的发展方向。

关键观点总结

关键观点1: SGM算法介绍

文章详细描述了SGM算法的原理和流程，包括Census Transform、Compute Cost、Cost Aggregation、Compute Disparity等步骤，并解释了代价聚合的重要性。

关键观点2: 深度学习方法在视差估计中的应用

文章介绍了深度学习方法如monodepth在视差估计中的应用，并比较了其与SGM的异同，包括loss项的设计、表达方式等。

关键观点3: 未来展望

文章提出了对未来发展的展望，包括monodepth的进一步发展以及深度学习方法与SGM的融合可能性。

文章预览

作者丨cc.fy@知乎 来源丨https://zhuanlan.zhihu.com/p/458589977 编辑丨3D视觉工坊 双目匹配 在双目匹配的范畴里，本次内容主要局限在以下两个小的部分: * SGM(经典) 原理解析 * comparation with monodepth SGM 半全局匹配算法（SGM）是实时立体视觉里最流行的一个算法，已经大规模的在很多产品里得到了应用。其最早由H. Hirschmuller 在2005年发表于CVPR的文章中被提出  ( Accurate and efficient stereo processing by semi-global matching and mutual information ) 。 立体匹配算法在深度学习算法强势来袭之前，可以分为3大流派，包括局部派（SAD, SSD, NCC, Census-Transform, Mutual Information ...）,全局派 (Graph Cut, Belief Propagation, Dynamic Programming ...), 以及半全局派 (SGM). SGM是半全局领域的代表之作，相对于局部派的简单粗暴，SGM更加优雅复杂，同时也没有全局派那么time-consuming （ https://blog.csdn.net/rs_lys/?type=blog ………………………………