RGB与Depth融合方法总结

1：在MMFNet中作者提出了几种传统的融合方法，（a）将RGB和Depth首先concat然后经过卷积最后生成特征图。（b）将RGB和Depth分别进行卷积，然后再add融合。（c）将RGB和Depth先进行卷积，经过transformation，再经过反卷积，融合起来。（d）RGB和Depth分别卷积，将depth融合再分别经过卷积，最后经过反卷积。这些经典的方法仍然有参考意义。

2：MMFNet的融合方法，其中RCU模块就像是SENet的雏形，不过当时还没有提出注意力机制。MRF模块就参考了上图中的b。

3：我自己试过的通过ASPP来对RGB和Depth进行特征提取，但是效果很不好。类似于这一种，分别对RGB和Depth进行PPM或者ASPP操作，然后进行拼接，最后经过1×1卷积，效果都不够好，可以说不如注意力机制。

4:出自Deep Surface Normal Estimation with Hierarchical RGB-D Fusion，是用来预测表面法线的，还没有看，先挖个坑。

5：接着就是注意力机制，包括SA-Gate，将RGB和Depth进行拼接，然后经过global pooling操作,得到1×1卷积再与本身相乘，然后再经过拼接，经过softmax得到一个权重，与原始图片进行相乘，两个注意力都用到了，他的点在于图像的去噪，将图像分离，去噪，融合，再分离，再融合。

6：在ESANet中应用了SENet中的Sequeeze-and-Excitation模块，将RGB和Depth分别进行
Sequeeze-and-Excitation，经过通道注意力，会学到应该关注于那些通道，相当于某些通道乘了一个大的权重，然后再与深度进行融合。

随便揣测一下，这些操作都像是非局部注意力和深度可分离卷积的变形，非局部注意力，通过两个modality进行注意力得到的权重乘以原来的图片，深度可分离卷积，通过卷积核来聚合多个通道的信息，在经过1×1卷积来进行空间的遍历。

综上这是目前看到的RGB和Depth融合策略，以后看到了再补充。
——————————————————-补充—————————————————————————————————–
7：最近读了一篇CMX**，是nyu数据集上排名第一的方法，包含了深度与RGB融合方法：

其中FRM模块与SA-Gate的方法十分类似，都是通过进行特征图校准来去噪，CMX通过逐通道校准和逐空间校准，最后生成两个输出，SA-Gate则是通过通道的压缩和聚合来实现的，不过本质上也是注意力。
除此以外CMX还是用了Transformer来进行特征的交互和融合，最后再通过一个通道编码得到最终输出。
———————————————————————-补充———————————————————————————–
8：最近读了一篇FRNet，作者受到SA-Gate的启发，提出了一种跨层跨模态的融合策略。主要使用这种top-down结构，通过将高层次语义信息和低层次特征信息进行融合。



———————————————————————-补充———————————————————————————–
9：这是一篇2022最新的文章，Attention-based Dual Supervised Decoder for RGBD Semantic Segmentation，没有代码。和之前的融合方法有差别，但是差别不大。每一层融合之后不连接，融合方法就是注意力，创新点主要是后面的双分支decoder。在depth分支上采样到最后起到了监督的作用。



—————————————————————补充———————————————————————————-
10：TransD-Fusion：transformer用于RGB-D融合来进行语义分割，在两个分支encoder的尾部进行融合。通过自注意力，交叉注意力，深度引导三步进行融合。在NYU上的miou达到了55.5。其中融合的部位和CANet一样，融合的方法在CMX也使用到了，交叉的transformer注意力。



11：在看TransD-Fusion文章的时候，他引用了一篇文章PGDENet: Progressive Guided Fusion and Depth Enhancement Network for RGB-D Indoor Scene Parsing也是RGB-D融合的，我就进去看了一下架构图，和之前的FRNet几乎一样，模型很像，就不仔细看了。

主要看一下PCFM模块和DEM模块：




12：RGB‑D Gate‑guided edge distillation for indoor semantic segmentation文章引入了边界引导，RGB和Depth分别处理，其中融合的结果作为一条单独的分支进行传递。在边界特征部分用到了原始GT进行边缘提取的边缘损失。