流程范式对比

以下是 GwcNet 和 RAFT-Stereo 的流程范式对比。通过两章流程图，直观的对比“传统 3D 卷积正则化”到“现在循环迭代优化”的架构跃迁。

GwcNet 流程范式：3D 卷积正则化的巅峰

GwcNet 代表了典型的静态前馈网络（Feed-forward Network）架构，核心思想是“构建极其精细的特征代价体，再用重型 3D 卷积去慢慢过滤噪声”。

    graph TD
    classDef data fill:#e1f5fe,stroke:#01579b,stroke-width:2px,color:#000;
    classDef extract fill:#fff3e0,stroke:#e65100,stroke-width:2px,color:#000;
    classDef cost fill:#e8f5e9,stroke:#1b5e20,stroke-width:2px,color:#000;
    classDef regular fill:#fce4ec,stroke:#880e4f,stroke-width:2px,color:#000;

    subgraph "第一阶段：特征提取 (2D CNN)"
        L[左图 Left Image]:::data
        R[右图 Right Image]:::data
        CNN1[共享权重 ResNet/UNet]:::extract
        CNN2[共享权重 ResNet/UNet]:::extract
        L --> CNN1 --> F_L[左视图特征]:::data
        R --> CNN2 --> F_R[右视图特征]:::data
    end

    subgraph "第二阶段：双重代价体构建 (Cost Volume)"
        F_L --> GC[Group-wise Correlation\n分组相关计算]:::cost
        F_R --> GC
        F_L --> CC[Concatenation\n特征直接拼接]:::cost
        F_R --> CC
        GC --> CV[融合 4D 代价体 \n Disparity x C x H x W]:::data
        CC --> CV
    end

    subgraph "第三阶段：3D 卷积正则化 (重计算区)"
        CV --> H1[3D Hourglass 网络 1\n下采样聚合全局上下文]:::regular
        H1 --> H2[3D Hourglass 网络 2\n平滑视差维度]:::regular
        H2 --> H3[3D Hourglass 网络 3\n输出高精度代价体]:::regular
    end

    subgraph "第四阶段：视差回归"
        H3 --> SA[Soft Argmin 操作\n期望值计算]:::extract
        SA --> D[最终视差图 Final Disparity]:::data
    end

RAFT-Stereo 流程范式：基于全对相关场的迭代优化

RAFT-Stereo 完全抛弃了 3D 卷积。它通过计算全局的相关性金字塔，并利用多级 GRU 网络不断查询该金字塔，一步步（迭代）地修正初始视差。

    graph TD
    classDef data fill:#e1f5fe,stroke:#01579b,stroke-width:2px,color:#000;
    classDef extract fill:#fff3e0,stroke:#e65100,stroke-width:2px,color:#000;
    classDef cost fill:#e8f5e9,stroke:#1b5e20,stroke-width:2px,color:#000;
    classDef gru fill:#f3e5f5,stroke:#4a148c,stroke-width:2px,color:#000;

    subgraph "第一阶段：双路特征提取"
        L[左图 I_L]:::data
        R[右图 I_R]:::data
        FE_L[Feature Encoder\n特征编码器]:::extract
        FE_R[Feature Encoder\n特征编码器]:::extract
        CE[Context Encoder\n上下文编码器]:::extract

        L --> FE_L --> FL[左特征图]:::data
        R --> FE_R --> FR[右特征图]:::data
        L --> CE --> Ctx[上下文特征 & 初始隐藏状态]:::data
    end

    subgraph "第二阶段：全局 3D 相关金字塔 (轻量化代价体)"
        FL --> Dot[极线上像素点积计算]:::cost
        FR --> Dot
        Dot --> P1[相关体 C1]:::data
        P1 -->|1D Pool| P2[相关体 C2]:::data
        P2 -->|1D Pool| P3[相关体 C3]:::data
        P3 -->|1D Pool| P4[相关体 C4]:::data
    end

    subgraph "第三阶段：多级 GRU 迭代优化 (循环 N 次)"
        InitD[初始视差 d=0]:::data
        InitD --> Lookup[Correlation Lookup\n基于当前 d 采样相关特征]:::gru
        P1 -.-> Lookup
        P2 -.-> Lookup
        P3 -.-> Lookup
        P4 -.-> Lookup

        Lookup --> FeatComb[拼接: 相关特征 + 视差特征 + 上下文]:::gru
        Ctx -.-> FeatComb

        FeatComb --> MGRU[多分辨率卷积 GRU\n更新隐藏状态]:::gru
        MGRU --> Delta[预测视差增量 Δd]:::gru
        Delta --> UpdateD[更新视差: d = d + Δd]:::data
        UpdateD -->|下一次迭代| Lookup
    end

    subgraph "第四阶段：上采样输出"
        UpdateD -->|最终低分辨率视差| Up[Convex Upsampling\n凸组合上采样]:::extract
        Up --> FinalD[高分辨率视差图]:::data
    end

核心区别直观对比

代价体的形态与计算：
- GwcNet：费尽心机构建一个庞大且信息丰富的 4D 融合代价体（包含了特征拼接和分组相关）。这个代价体本身占用极大显存。
- RAFT-Stereo：化繁为简。直接对同行像素的特征向量做内积（点乘），生成轻量级的 3D 相关体，并通过在视差维度做 1D 池化构建金字塔（Correlation Pyramid）。它不提前做复杂的拼接。

正则化/优化的手段（核心差异）：
- GwcNet：是一次性推断。数据流过串联的 3D Hourglass 网络（非常耗时耗显存），一次性输出结果。
- RAFT-Stereo：是循环迭代（RNN 的逻辑）。抛弃了 3D 卷积。网络维护一个起始为 0 的视差场，每次循环时，网络拿着 当前的视差估计 去“查找（Lookup）”金字塔里的匹配度，加上左图的上下文特征，送入多级卷积 GRU 中计算出一个“视差修正值（$\Delta d$）” ，不断叠加逼近真实视差。
工作分辨率：
- GwcNet：由于 3D 卷积的限制，通常需要在较低分辨率下运行，对百万像素级图片处理困难。
- RAFT-Stereo：由于只使用 2D 卷积和轻量级代价体，可以直接处理高分辨率图像。预测过程在低分辨率（$1/8$ 或 $1/4$）进行，最后通过凸上采样（Convex Upsampling）还原出全分辨率的高精度边缘。

RAFT-Stereo

综述

这篇论文开启了立体匹配的新范式，主要创新点是：轻量化 3D 相关体、多级卷积 GRU 迭代。

预备知识

GRU

门控循环单元 Gated Recurrent Unit。

是 RNN 循环卷积网络的变体。传统的 RNN 处理长序列数据时，存在 梯度消失问题（后面节点记不住前面的信息），于是有了 LSTM（长短期记忆网络），但 LSTM 内部复杂，参数复杂。于是有了 GRU，是 LSTM 的轻量优化版。它引入了 Gate 门的机制来控制信息的流动。

数学原理

    graph TD
    classDef input fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px,color:#000;
    classDef gate fill:#fff3e0,stroke:#e65100,stroke-width:2px,color:#000;
    classDef calc fill:#e3f2fd,stroke:#1565c0,stroke-width:2px,color:#000;
    classDef output fill:#fce4ec,stroke:#c2185b,stroke-width:2px,color:#000;
    classDef op fill:#eceff1,stroke:#607d8b,stroke-width:2px,shape:circle,color:#000;

    %% 输入源
    X["当前输入<br>(x<sub>t</sub>)"]:::input
    H_prev["上一时刻记忆<br>(h<sub>t-1</sub>)"]:::input

    %% 门控机制计算
    subgraph step1 ["第一步：门控计算 (计算阀门开度 0~1)"]
        R_gate["重置门 (r<sub>t</sub>)<br>决定遗忘多少旧记忆<br>σ(W<sub>r</sub>·x<sub>t</sub> + U<sub>r</sub>·h<sub>t-1</sub>)"]:::gate
        Z_gate["更新门 (z<sub>t</sub>)<br>决定新旧记忆的融合比例<br>σ(W<sub>z</sub>·x<sub>t</sub> + U<sub>z</sub>·h<sub>t-1</sub>)"]:::gate
    end

    X --> R_gate
    H_prev --> R_gate
    X --> Z_gate
    H_prev --> Z_gate

    %% 候选记忆生成
    subgraph step2 ["第二步：生成候选新记忆"]
        Mult1(("×")):::op
        R_gate -->|控制流出| Mult1
        H_prev -->|原始旧记忆| Mult1
        
        Cand["候选新记忆 (h̃<sub>t</sub>)<br>结合了输入和被过滤的旧记忆<br>tanh(W<sub>h</sub>·x<sub>t</sub> + U<sub>h</sub>·(r<sub>t</sub> × h<sub>t-1</sub>))"]:::calc
        X --> Cand
        Mult1 -->|被重置门过滤后的旧记忆| Cand
    end

    %% 最终状态融合
    subgraph step3 ["第三步：新旧记忆加权融合"]
        OneMinusZ["(1 - z<sub>t</sub>)"]:::calc
        Z_gate -->|取反| OneMinusZ

        Mult2(("×")):::op
        Mult3(("×")):::op
        Add(("＋")):::op

        OneMinusZ -->|决定保留多少| Mult2
        H_prev -->|原始旧记忆| Mult2

        Z_gate -->|决定采纳多少| Mult3
        Cand -->|候选新记忆| Mult3

        Mult2 -->|真正保留的旧记忆| Add
        Mult3 -->|真正采纳的新记忆| Add
    end

    Add --> H_next["当前时刻新记忆<br>(h<sub>t</sub>)"]:::output

虽然 Mermaid 不支持原生 LaTeX，但它 完全支持基础的 HTML 标签。你可以使用 <sub>（下标）和 <sup>（上标）来手动把公式“撑”起来。