立體視覺

立體視覺（stereo vision）回復深度的方式就像你自己的雙眼：比較同一場景兩個略有差異的視角，並量測每個點在兩者之間位移了多少。把手指靠近臉，輪流眨左右眼——手指會跳得很厲害；遠處的牆幾乎不動。這個表面上的橫向位移稱為視差（disparity），正是立體視覺轉換成距離的原始訊號。近的東西位移大；遠的東西位移小；無限遠的東西完全不位移。

在機制上，你把兩台相機相隔固定距離（基線，baseline）擺放，朝向大致相同的方向。第一個關鍵步驟是校正（rectification）：利用已知的相機校正，把兩張影像扭轉到對應點永遠落在同一水平列上。校正後，把左影像的某個像素匹配到右影像的夥伴，就變成沿單一掃描線的一維搜尋——這正是對極幾何的實用回報。對每個左像素，你沿著右掃描線滑動尋找最匹配的影像區塊，匹配最佳處的水平偏移量就是該像素的視差。

把視差換成深度的幾何是一個乾淨的反比關係。深度 Z 等於焦距 f 乘以基線 B 除以視差 d，寫成 Z = f·B/d。視差加倍，深度減半。這條公式也揭露了極限：較寬的基線 B 或較長的焦距 f 能在遠距離銳化深度解析度，但極寬的基線會造成更多遮蔽（一台相機看得到、另一台看不到的部分），也讓匹配更困難。沒有單一最佳基線——這是依工作範圍調校的取捨。

困難之處在於匹配本身。無紋理的牆面、重複圖案（像磚牆立面或柵欄）、反光，以及在某一視角被遮蔽的區域，都會破壞天真的影像區塊匹配。經典補救法加入平滑假設：半全域匹配（Semi-Global Matching）沿多個方向聚合匹配成本，在局部證據與全域一致性間取得平衡。現代深度立體網路（PSMNet、RAFT-Stereo 及其後繼）建立學習式成本量並用卷積或循環式精煉加以正規化，對弱紋理與細小結構處理得好上許多，代價是需要訓練資料與運算。