参考代码：wsvd_test

1. 概述

导读：在这篇文章中提出了一种基于光流估计的深度估计网络。该方法首先使用左右双目图像作为输入，并从中估计出光流信息，之后按照估计的光流对图像进行warp，这样就得到深度估计网络需要的3个（warp之后的图像1、光流、图像2）输入。接下来经过编解码网络之后实现对深度的估计。同时为了获得大量且场景多样化的双目3D（左右）图像，文章通过在YouTube中筛选的方式确定了文章使用的WSVD数据集。由于这些数据来源是未知的（其中的焦距、基线等）所以文章提出了一种以归一化梯度为主的损失函数。

文章深度估计方法是属于回归类型的，通过使用场景多样的WSVD数据集以及对相机参数不敏感的梯度损失函数实现监督，从而得到相对鲁棒的深度估计结果。文章的效果可参见下图：

同时对WSVD数据集中的场景分布进行统计，可以得到下面的统计结果（字越大代表的占有的比例越大），参考下图：

2. 方法设计

2.1 方法pipline

文章提出的pipeline结构如上图，通过FlowNet2生成编解码网络所需的3个输入，之后通过梯度损失函数进行监督。

2.2 损失函数

在双目系统下深度可以通过几个变量描述：
$$q=\frac{d-(c_x^R-c_x^L)}{fb}$$
其中，$fb$代表的是焦距和基线，$d_{min}=c_x^R-c_x^L$是图像对中的最小视差。但是上述关系中涉及到的3个变量是未知的，对此文章提出从梯度角度出发提出一种基于梯度的深度监督损失（NMG，normalized multiscale gradient）。这里监督是使用网络估计出的深度和视差图在梯度上进行回归，其损失函数描述为：
$$L=\sum _k\sum _i|s{\nabla }_x^k{q}_i-{\nabla }_x^k{d}_i|+|s{\nabla }_y^k{q}_i-{\nabla }_y^k{d}_i|$$
其中，${\nabla }_x^k,{\nabla }_y^k$代表的是在不空的尺度 k = { 2 , 8 , 32 , 64 } k=\{2,8,32,64\} k={2,8,32,64}下的图像梯度。其中的尺度因子计算描述为：
$$s=\frac{{\sum }_k{\sum }_i|{\nabla }_x^k{d}_i|+{\sum }_k{\sum }_i|{\nabla }_y^k{d}_i|}{{\sum }_k{\sum }_i|{\nabla }_x^k{q}_i|+{\sum }_k{\sum }_i|{\nabla }_y^k{q}_i|}$$
文章损失函数与ranking loss的比较：

3. 实验结果