May, 2018

具有不对称棋盘传播和多假设联合视图选择的多视角立体

PDF
TL;DR本文介绍了一种基于 PatchMatch 算法的快速准确的 3D 密集重建方法 AMHMVS，采用不对称棋盘格传播策略，通过多假设联合视图选择来聚合多图像信息，实现了高精度和完整性密集重建。
computer visionmultiview stereodense reconstructionpatchmatchjoint view selection
发现论文，激发创造
  • MP-MVS：多尺度窗口 PatchMatch 和平面先验多视图立体视觉

    在本文中，我们提出了一种弹性且有效的多视角立体匹配方法（MP-MVS），该方法利用多尺度窗口 PatchMatch（mPM）获得非纹理区域的可靠深度，并通过改进的棋盘格采样方案和改进的平面先验辅助 PatchMatch（ACMP）来提高立体匹配的准确性和效率。

    Sep, 2023

  • 多尺度几何一致性引导的多视角立体重建

    该论文提出了一种基于几何一致性的多尺度引导的多视角立体方法，其中利用结构化区域信息采样更好的候选假设，进而推断每个像素的聚合视图子集，以及将 ACMH 与多尺度几何一致性指导（ACMM）相结合，以便在粗略尺度上获取低纹理区域的可靠深度估计并保证它们可以传播到更细的尺度。

    Apr, 2019

  • PHI-MVS: 平面假设推理多视图立体成像用于大规模场景重构

    本研究提出了一种新的平面假设推理策略，采用多假设生成和马尔可夫随机场选取深度假设的方法，显著提高了大规模场景重建的完整性和性能，在 ETH3D 公共基准测试中取得竞争性成果。

    Apr, 2021

  • 基于平面先验辅助的 PatchMatch 多视角立体匹配

    本文提出了一种基于平面先验辅助 PatchMatch 多视角立体视觉框架的方法，用于三维模型的恢复。实验证明，该方法可以高效地恢复极低纹理区域的深度信息，从而获得高度完整的三维模型并实现目前最佳性能。

    Dec, 2019

  • 偏振 PatchMatch 多视图立体匹配

    本文提出了首个利用极化线索进行 PatchMatch 多视角立体匹配（PolarPMS）的方法，该方法通过评估极化一致性来提高重建的三维模型的准确性和完整性，尤其是对于无纹理的表面。

    Nov, 2023

  • DeepMVS: 学习多视角立体视觉

    DeepMVS 是一种用于多视图立体重建的深度卷积神经网络 (ConvNet)，它可以对任意数量的姿态图像进行处理以预测高质量的视差图，其有效的信息聚合方法和采用 VGG-19 网络的多层特征激活实现了优异的效果。

    Apr, 2018

  • 多视角 SAM 联合深度预测和语义分割

    基于多视角立体视觉和基于 Transformer 的语义分割解码器的多任务方法在深度预测和分割预测方面呈现出相互的优势。

    Oct, 2023

  • MVS^2: 多视图对称深度无监督多视图立体成像

    本文介绍了一种基于无监督学习的多视图深度图像学习方法，可以从多个视角的输入图像中学习深度和遮挡图像，并在训练和测试阶段都强制实施多视图深度一致性，进而为实际场景下处理遮挡提供更好的鲁棒性。

    Aug, 2019

  • SD-MVS：基于分割驱动的变形多视图立体匹配与球面细化和 EM 优化

    通过使用 Segmentation-Driven Deformation Multi-View Stereo（SD-MVS）方法，并结合 Segment Anything Model（SAM）进行场景中语义实例的区分，以及采用独特的细化策略，可以显著提高重建的 3D 模型的完整性，并通过 Expectation-Maximization 算法优化匹配成本及超参数，有效减少参数过度依赖经验调整的问题。在 ETH3D 高分辨率多视角立体视觉基准和 Tanks and Temples 数据集上的评估表明，该方法能够在更少的时间内达到最先进的结果。

    Jan, 2024

  • 使用置信度预测的多视角优先级立体深度图生成

    本文提出了一种新的多视图立体（MVS）深度图计算优先级方法，该优先级方法在 MVS 算法执行之前进行两步操作，包括寻找匹配伙伴并根据观测质量对结果进行排名，另外还使用了一种基于机器学习的信心预测器，能够对图像星座的质量进行评估，并提出一种优先级方法来构建稳固的三维重建基础，实验表明使用该方法能够在文化遗产保护和建造重建领域中达到更好的重建质量。

    Mar, 2018