深度学习输出显示过滤 深度过滤什么意思

SVO：深度滤波器的数据融合方法

以及深度概率模型推导

￭ 深度滤波器depth-filter

使用深度滤波器，将最新时刻求得的深度观测值，与上一时刻的深度估计值融合，直到种子点（seed）深度收敛。深度值分布的概率模型可看为高斯-均匀混合分布

通过一系列后续帧的测量，我们可以得到的是种子点的深度测量值x1，x2，···，xn，以及每个测量值对应的方差（也就是不确定度）tau^2,不确定度定义为：像素平面上的单个像素误差引起的深度测量值的变化量。

相当于已知测量值，求真实深度

也就是求最大后验概率

为了求这个最大后验概率，通过一个服从Gaussian*Beta分布的函数q，来近似待求的目标值q定义为：

每当新来帧求得新的深度值时，通过上式的近似分布进行迭代求解：

理论意义上的迭代公式是这样的，但是发现等式右边并不是一个GaussianBeta分布的结构，因此接下来要做的就是：根据（深度测量值的概率分布）p和（上一时刻的深度最优估计）q二者的定义式，将等式右边构造成一个满足GaussianBeta分布的 q’ ，使等式两端关于z好和rou的一阶矩和二阶矩相等

最后得到q’，与q的定义式比较，二者具有相同的Gaussian*Beta分布的结构

将C1,C2归一化

这样就可以对新的测量值进行更新迭代了

贴上svo程序部分