StereoNet이 GC-Net 보다 메척차 빠르기 때문에 그 이유를 보고 싶다.

Feature Extraction

Feature Map 해상도 감소
1. 큰 receptive field=>texture less의 장소에 도움이 된다
2. feature vector를 컴팩트하게 할 수 있다.

Cost Volume

대부분의 계산 시간이 3D convolution에 사용된다.
입력의 화상을 작게 하는 것으로 거칠지만 빨리 Disparity를 ​​요구할 수 있다.

Hierarchical Refinement: Edge-Aware Upsampling

Cost Volume에서 얻은 거친 Disparity를 ​​출력 해상도까지 upsampling한다.
color 이미지와 upsample한 Disparity Map을 결합하고 네트워크에서 Disparity를 ​​다시 추정합니다.
color 이미지에서 edge 등을 찾아서 refine 해준다.

결과

k=8에서 0.015s의 속도가 나왔다. 그러나 정확도는 거기까지 떨어지지 않았습니다.

결론

Cost Volume의 3D Convolution을 작게 하면 계산은 빨라진다.

참고문헌

StereoNet: Guided Hierarchical Refinement for Real-Time Edge-Aware Depth Prediction
htps : // 오페나세스 s.ぇ cvf. 코 m / 콘텐 t_엣 cV_2018 / 파페 rs / 사메 h_K 하미 s_S 테레오네 t_ 구이로 d_ 히라 r 치카 l_엣 cV_2018_ 파페 r. pdf