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

本文提出了一种基于强化学习的端到端可训练 PatchMatch 多视角立体视觉方法，实现像素级别深度、法向量的估计，并将其与可训练损失和正则化相结合以解决在深度范围大、视角差距大的场景下的深度估计问题。实验结果表明，该方法在 ETH3D 数据集上表现优异，甚至超过其他最新的基于学习的 MVS 模型。

Aug, 2021

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

在这篇论文中，我们提出了一种名为 TSAR-MVS 的新方法，通过过滤、细化和分割来有效解决 3D 重建中纹理缺失区域的挑战。该方法首先采用联合假设过滤技术来消除深度估计错误，然后通过迭代相关性细化和纹理感知分割方法来提高准确性和在纹理缺失区域保留细节的能力。实验证明，与大多数非学习方法相比，我们的方法在各种数据集上都显著优于其他方法，并且能够在纹理缺失区域中保持鲁棒性。

Aug, 2023

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

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

在户外实际场景中，本研究提出了一种轻量级体积细化方案，解决了质量下降和纹理缺失的问题，通过引入地面真实深度图进行深度体积监督和层次化滤波来强调局部细节和上下文，同时提出了一种更严格的评估指标，实现了卓越的性能在纹理缺失图像的情况下。

Feb, 2024

提出了一种使用卷积神经网络直接对多个图像块进行匹配的方法，从而在计算机视觉中估算场景的深度图。实验表明，与基于成对块相似性的方法相比，该方法具有更好的效果。

Mar, 2017

本文研究如何利用法线估计模型和预测的法线图提高深度质量，方法包括联合学习多视角法线估计和深度估计模块以及提出一种新的一致性损失来训练一个独立的一致性模块来细化深度 / 法线对。实验结果表明，该方法具有高精度、平滑等优点，在多个数据集上的表现均优于现有技术。

Nov, 2019

本论文针对室内场景中的无监督深度估计任务，提出了一种名为 P$^2$Net 的方法，该方法利用大局部梯度点提取有效补丁，并使用多视图一致性损失和超像素作为平面先验进行深度预测，实验证明该方法显著优于现有的方法。

Jul, 2020