双目深度算法——基于Correlation的方法（DispNet / iResNet / AANet）

Posted 2022-11-23 Leo-Peng

双目深度算法—— 基于Correlation的方法（DispNet / iResNet / AANet）

• 双目深度算法——基于Correlation的方法（DispNet / iResNet / AANet）
• • 1. DispNet
  • • 1.1 网络结构
  • 2. iResNet
  • • 2.1 网络结构
  • 3. AA-Net
  • • 3.1 网络结构

双目深度算法——基于Correlation的方法（DispNet / iResNet / AANet）

在Stereo Depth算法中一类方法是基于Cost Volume估计视差，这类方法可以参考双目视觉深度——基于Cost Volume的方法（GC-Net / PSM-Net / GA-Net），另外一类就是本文要介绍的介于Correlation的方法，相比于基于Cost Volume的方法，基于Correlation的方法计算量小，但是准确率也相对较低 (最新提出的AANet已经达到了一个较高水平)，下面就这类方法进行一个简单总结：

1. DispNet

DispNet发表于2016年，原论文名为《A Large Dataset to Train Convolutional Networks for Disparity, Optical Flow, and Scene Flow Estimation》，这篇论文的作者和端到端做光流估计的FlowNet的作者是同一人，这篇论文主要也就是印证了类似于FlowNet这样的框架也可以用于进行视差估计，于是作者在FlowNet的基础上做了一些细微改动就得到了DispNet。因此这里我们主要介绍FlowNet的网络结构：

1.1 网络结构

FlowNet的网络结构一共两种类型——FlowNetS和FlowNettC，S指的是Simple的意思，C指的是Correlation的意思，Encoder部分如下图所示：

其中FlowNetS是将图片Concat到一起然后经过一系列卷积，FlowNetC则是先用卷积对各个图片进行特征提取，然后用提取的特征进行Correlation，然后再进一步提取特征，这里我们主要关注FlowNetC的结构，中间比较特殊的部分就是Correlation操作（黄色箭头部分），Correlation其实就是分别从两张特征图中各取一个patch进行卷积，具体的计算公式为：$$c\left({\mathbf{x}}_1,{\mathbf{x}}_2\right)=\sum _{\mathbf{o}\in [-k,k]\times [-k,k]}⟨{\mathbf{f}}_1\left({\mathbf{x}}_1+\mathbf{o}\right),{\mathbf{f}}_2\left({\mathbf{x}}_2+\mathbf{o}\right)⟩$$其中$⟨⟩$为卷积符号，${\mathbf{f}}_1$和${\mathbf{f}}_2$分别为进行Correlation的两张特征图，${\mathbf{x}}_1$和${\mathbf{x}}_2$分别为进行Correlation的两个Patch的中心坐标。我们知道，大小为$H\times W\times (2k+1)$的两个Patch卷积后大小为$H\times W\times (2k+1{)}^2$，由于在论文中$k$取的是10，因此在上图中经过Correlation后的特征图的Channel数为$(2\ast 10+1)\times (2\ast 10+1)=441$，在Pytorch的实现里面这一步好像是直接调用了一个CUDA的算子：

import torch
from torch.nn.modules.module import Module
from torch.autograd import Function
import correlation_cuda

class CorrelationFunction(Function):

    @staticmethod
    def forward(ctx, input1, input2, pad_size=3, kernel_size=3, max_displacement=20, stride1=1, stride2=2, corr_multiply=1):
        ctx.save_for_backward(input1, input2)

        ctx.pad_size = pad_size
        ctx.kernel_size = kernel_size
        ctx.max_displacement = max_displacement
        ctx.stride1 = stride1
        ctx.stride2 = stride2
        ctx.corr_multiply = corr_multiply

        with torch.cuda.device_of(input1):
            rbot1 = input1.new()
            rbot2 = input2.new()
            output = input1.new()

            correlation_cuda.forward(input1, input2, rbot1, rbot2, output,
                ctx.pad_size, ctx.kernel_size, ctx.max_displacement, ctx.stride1, ctx.stride2, ctx.corr_multiply)

        return output

    @staticmethod
    def backward(ctx, grad_output):
        input1, input2 = ctx.saved_tensors

        with torch.cuda.device_of(input1):
            rbot1 = input1.new()
            rbot2 = input2.new()

            grad_input1 = input1.new()
            grad_input2 = input2.new()

            correlation_cuda.backward(input1, input2, rbot1, rbot2, grad_output, grad_input1, grad_input2,
                ctx.pad_size, ctx.kernel_size, ctx.max_displacement, ctx.stride1, ctx.stride2, ctx.corr_multiply)

        return grad_input1, grad_input2, None, None, None, None, None, None


class Correlation(Module):
    def __init__(self, pad_size=0, kernel_size=0, max_displacement=0, stride1=1, stride2=2, corr_multiply=1):
        super(Correlation, self).__init__()
        self.pad_size = pad_size
        self.kernel_size = kernel_size
        self.max_displacement = max_displacement
        self.stride1 = stride1
        self.stride2 = stride2
        self.corr_multiply = corr_multiply

    def forward(self, input1, input2):

        result = CorrelationFunction.apply(input1, input2, self.pad_size, self.kernel_size, self.max_displacement, self.stride1, self.stride2, self.corr_multiply)

        return result

在进行Correlation之后，网络还将其中一路的数据进行卷积后Concat到Correlation后的特征图上，也就是图中的conv_redir的操作，我理解这一步应该就是为了保留更多的原始结构的信息，使得输出的光流或者视差更加稳定。FlowNetS和FlowNettC的Decode部分是一致的，结构如下图所示：

在Decoder之后网络不需要做Argmax的操作，而是直接通过L1或者L2损失回归出光流或者视差的大小，网络整体的代码如下图所示：

class FlowNetC(nn.Module):
    def __init__(self,args, batchNorm=True, div_flow = 20):
        super(FlowNetC,self).__init__()

        self.batchNorm = batchNorm
        self.div_flow = div_flow

        self.conv1   = conv(self.batchNorm,   3,   64, kernel_size=7, stride=2)
        self.conv2   = conv(self.batchNorm,  64,  128, kernel_size=5, stride=2)
        self.conv3   = conv(self.batchNorm, 128,  256, kernel_size=5, stride=2)
        self.conv_redir  = conv(self.batchNorm, 256,   32, kernel_size=1, stride=1)

        if args.fp16:
            self.corr = nn.Sequential(
                tofp32(),
                Correlation(pad_size=20, kernel_size=1, max_displacement=20, stride1=1, stride2=2, corr_multiply=1),
                tofp16())
        else:
            self.corr = Correlation(pad_size=20, kernel_size=1, max_displacement=20, stride1=1, stride2=2, corr_multiply=1)

        self.corr_activation = nn.LeakyReLU(0.1,inplace=True)
        self.conv3_1 = conv(self.batchNorm, 473,  256)
        self.conv4   = conv(self.batchNorm, 256,  512, stride=2)
        self.conv4_1 = conv(self.batchNorm, 512,  512)
        self.conv5   = conv(self.batchNorm, 512,  512, stride=2)
        self.conv5_1 = conv(self.batchNorm, 512,  512)
        self.conv6   = conv(self.batchNorm, 512, 1024, stride=2)
        self.conv6_1 = conv(self.batchNorm,1024, 1024)

        self.deconv5 = deconv(1024,512)
        self.deconv4 = deconv(1026,256)
        self.deconv3 = deconv(770,128)
        self.deconv2 = deconv(386,64)

        self.predict_flow6 = predict_flow(1024)
        self.predict_flow5 = predict_flow(1026)
        self.predict_flow4 = predict_flow(770)
        self.predict_flow3 = predict_flow(386)
        self.predict_flow2 = predict_flow(194)

        self.upsampled_flow6_to_5 = nn.ConvTranspose2d(2, 2, 4, 2, 1, bias=True)
        self.upsampled_flow5_to_4 = nn.ConvTranspose2d(2, 2, 4, 2, 1, bias=True)
        self.upsampled_flow4_to_3 = nn.ConvTranspose2d(2, 2, 4, 2, 1, bias=True)
        self.upsampled_flow3_to_2 = nn.ConvTranspose2d(2, 2, 4, 2, 1, bias=True)

        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                if m.bias is not None:
                    init.uniform_(m.bias)
                init.xavier_uniform_(m.weight)

            if isinstance(m, nn.ConvTranspose2d):
                if m.bias is not None:
                    init.uniform_(m.bias)
                init.xavier_uniform_(m.weight)
                # init_deconv_bilinear(m.weight)
        self.upsample1 = nn.Upsample(scale_factor=4, mode='bilinear')

    def forward(self, x):
        x1 = x[:,0:3,:,:]
        x2 = x[:,3::,:,:]

        out_conv1a = self.conv1(x1)
        out_conv2a = self.conv2(out_conv1a)
        out_conv3a = self.conv3(out_conv2a)

        # FlownetC bottom input stream
        out_conv1b = self.conv1(x2)
        
        out_conv2b = self.conv2(out_conv1b)
        out_conv3b = self.conv3(out_conv2b)

        # Merge streams
        out_corr = self.corr(out_conv3a, out_conv3b) # False
        out_corr = self.corr_activation(out_corr)

        # Redirect top input stream and concatenate
        out_conv_redir = self.conv_redir(out_conv3a)

        in_conv3_1 = torch.cat((out_conv_redir, out_corr), 1)

        # Merged conv layers
        out_conv3_1 = self.conv3_1(in_conv3_1)

        out_conv4 = self.conv4_1(self.conv4(out_conv3_1))

        out_conv5 = self.conv5_1(self.conv5(out_conv4))
        out_conv6 = self.conv6_1(self.conv6(out_conv5))

        flow6       = self.predict_flow6(out_conv6)
        flow6_up    = self.upsampled_flow6_to_5(flow6)
        out_deconv5 = self.deconv5(out_conv6)

        concat5 = torch.cat((out_conv5,out_deconv5,flow6_up),1)

        flow5       = self.predict_flow5(concat5)
        flow5_up    = self.upsampled_flow5_to_4(flow5)
        out_deconv4 = self.deconv4(concat5)
        concat4 = torch.cat((out_conv4,out_deconv4,flow5_up),1)

        flow4       = self.predict_flow4(concat4)
        flow4_up    = self.upsampled_flow4_to_3(flow4)
        out_deconv3 = self.deconv3(concat4)
        concat3 = torch.cat((out_conv3_1,out_deconv3,flow4_up),1)

        flow3       = self.predict_flow3(concat3)
        flow3_up    = self.upsampled_flow3_to_2(flow3)
        out_deconv2 = self.deconv2(concat3)
        concat2 = torch.cat((out_conv2a,out_deconv2,flow3_up),1)

        flow2 = self.predict_flow2(concat2)

        if self.training:
            return flow2,flow3,flow4,flow5,flow6
        else:
            return flow2,

可以看到，DispNet的结构是非常简单的，与结构同样非常简单的GC-Net相比较，速度相对较快，但是准确率相对较低：

2. iResNet

iResNet发表于CVPR2018，原论文名为《Learning for Disparity Estimation through Feature Constancy》，iResNet其实是在另外一篇名为CRL的论文《Cascade Residual Learning: A Two-stage Convolutional Neural Network for Stereo Matching》上进行的优化，CRL的网络结构如下图所示：

其实就是做两层DispNet，第一层DispNet输出的为初始的视差估计结果，在第二层DispNet的输入为Concat的$以上是关于双目深度算法——基于Correlation的方法（DispNet\; /\; iResNet\; /\; AANet）的主要内容，如果未能解决你的问题，请参考以下文章$

双目视觉深度——基于Correlation的方法（DispNet / iResNet / AANet）

双目深度算法——基于Transformer的方法（STTR）

双目深度算法——基于Transformer的方法（STTR）

双目深度算法——基于Transformer的方法（STTR）

双目深度算法——基于Cost Volume的方法（GC-Net / PSM-Net / GA-Net）

双目深度算法——基于Cost Volume的方法（GC-Net / PSM-Net / GA-Net）