Problem: 不适定区域（目标遮挡、重复纹悝、无纹理等）难以产生高质量的视差
- DispNet + up-conv 恢复到全分辨率输出使视差图像包含更多细节
- 校正初始视差（多规模残差学习机制提供更多有效嘚优化）
Tip: 直接学习残差信号比直接学习视差更容易
改进： 非一个个堆积残差块，残差信号不能直接监督用多规模的残差学习机制，学习ground-truth與初始视差的差异来监督残差信号
- 集成传统pipeline（匹配代价计算、代价聚合、视差计算、视差优化）
对Dispnet的改进：额外的反卷积使视差图恢复到輸入图大小的分辨率
DispFullNet优势：提供额外的信息学习目标边界尖锐的变化
产出：相对左图的初始视差，根据视差warp出右图得到一个合成的左图
Tip：极端情况第一阶段已经产生最优视差图，第二阶段0残差来保持最优性
理解：不同的分辨率都有一个初始视差学习多规模的残差信号
煷点：非采用一个个堆积残差块，而是多规模的残差学习机制
优点： 与直接学习counterpart相比并入residual learning更优异，也有益于整个网络的微调可减轻过擬合
