关于MCCV代码实现的问题。

[WangTengfeifei]

您好，非常感谢您的工作。在阅读了您的论文和代码之后，我对两个论文公式的代码实现的问题有疑问。

1. 在公式（5）中，我是否可以认为是分别对CAMP和偏移了d个视差的CAMP进行3D卷积后，进行了内积计算？但是，我在您的代码里面并未找到这个内积计算的过程，只有单独对CAMP进行了3D卷积？请问这一部分在哪里实现？或许是我对代码理解上有问题？

   #mca 1/4
   normal_feature[0] = self.high_frequency_sliding_window_filter(normal_feature[0])
   motif_4x = F.softmax(self.sw_4x(normal_feature[0]), dim=1)#torch.Size([B, 4, 80, 184])
   #camp
   CAMP_4x = motif_4x.unsqueeze(1) * normal_feature[0].unsqueeze(2) #torch.Size([B, 256, 4, 80, 184])
   CAMP_4x = CAMP_4x.transpose(1, 2) #torch.Size([B, 4, 256, 80, 184])
   #Conv3d_layer 这一部分似乎只做了单独的3D卷积操作？
   channel_correlation_volume_4x = self.Conv3d_layer_4x(CAMP_4x).squeeze(1)

2. 在公式（6）中，是否对应的是hourglass模块？是否可以理解成跟CoEX模型一样的聚合方式？只不过聚合的特征信息，使用了经过3D卷积的CAMP获得结构信息？

再次感谢您的工作，期待您的回复。

[ZYangChen]

您好。

1. 3D卷积后的特征用于匹配代价计算，内积计算是匹配代价计算的过程。论文中的公式5合并了这两个步骤。

2. 不是。公式6依然是匹配代价计算的一部分。这部分我们参考了GwcNet和IGEV-Stereo，直接计算Group-wise Correlation。