1、ADCensus算法优点；基于GPU下的ADCensus立体匹配算法兼顾匹配速度和精度；根据Scharstein 和Szeliski提出的理论算法分为以下四个步骤：代价计算(cost initialization)：绝对差AD+Census变换算法代价聚合(cost aggregation)：动态十字交叉域视差优化(disparity computation)：扫描线视差优化后处理(refinement)：多步后处理操作以上算法都可以通过并行加速提高速度。
2、AD-Census Cost Initialization：对每个像素点和视差等级进行处理，本质上是并行的；所以此步骤就只考虑如何提高代价计算精度。常见的代价计算方法：绝对差AD，互熵信息BT(“Depth Discontinuities by Pixel-to-Pixel Stereo” by S. Birchfield and C. Tomasi),基于梯度的，Census等。Hirschmuller和Scharstein证明：Census是具有最好效果的算法；Census是通过对图像局部区域进行编码，具有很好的相对次序性，对光照和图像噪声鲁棒；然而在重复区域和相似纹理区域具有匹配模糊性，导致误匹配；又由于AD绝对差对差异性比较敏感，所以进行结合形成ADCensus算法计算初始代价；函数的作用：①使匹配代价的范围在[0,1]；②通过lambda调节两者的作用；公式效果如图所示：
3、Cross-based Cost Aggregation代价聚合的目的：减少初始代价中的匹配模糊和图像噪声的影响。代价聚合的依据：相似的区域具有相似的视差；常见代价聚合方法：图像分割，自适应权重，自适应窗口等。这篇文章采用动态交叉域的代价聚合方法：分为两步：交叉域构建，代价聚合；代价聚合规则：计算颜色差值和空间距离，通过3规则构建交叉域；通过4次迭代进行代价聚合。优点：对大的少纹理和视差不连续区域减少匹配误差。
4、Scanline Optimization目的：选择最佳的视差范围，生成视差图。4方向的扫描线优化策略：适合并行计算，减少匹配模糊。P1、P2惩罚系数：
5、Multi-step Disparity Refinement多步视差细化①：通过左右一致性准则，检测出离群点：遮挡区域和视差不连续区域的点②：Iterative Region Voting:③：Proper Interpolation:④：Depth Discontinuity Adjustment:⑤：Sub-pixel Enhancement:
6、实验效果：ADCensus匹配算法：兼顾精度和速度；据说可以达到实时的效果。
