하나의 점수로 합치기 전에
모든 특징 채널을 한 번에 상관 계산하면 각 후보 위치의 정보를 하나의 값으로 압축할 수 있다. 반대로 특징을 그대로 이어 붙이면 이후 네트워크가 유사도를 배워야 한다. GwcNet은 채널을 그룹으로 나눠 여러 상관 단서를 보존하는 중간 구성을 사용한다.
그룹 평균의 예
특징 a=(1,2,3,4), b=(2,1,0,1)을 두 채널씩 나누자. 그룹별 곱의 평균은 각각 (2+2)/2=2와 (0+4)/2=2다. 전체 채널을 합친 한 점수와 그룹별 점수는 출력 정보의 형태가 다르다. 실제 특징 차원이나 모델 설정을 가정한 값은 아니다.
비용 볼륨과 후속 처리
여러 그룹의 상관 지도를 시차별로 쌓아 비용 볼륨으로 구성한다. 이후 신경망이 문맥과 후보 관계를 처리해 시차를 추정한다. 그룹별 상관만으로 가림과 반사 또는 반복 무늬가 모두 해결되는 것은 아니다.
그룹 수의 균형
그룹 수가 달라지면 한 그룹의 채널 수와 비용 볼륨의 정보량이 함께 변한다. 더 많은 그룹이 항상 더 높은 정확도를 보장하지는 않는다. 비교할 때에는 특징 추출기와 채널 수 및 후속 네트워크의 차이를 확인하고 매개변수 수와 실행 메모리를 별도로 평가한다.
관련 문서
PSMNet / RAFT-Stereo / IGEV-Stereo / MVSNeRF / FlowNet / 합성곱 신경망