DeepC-MVS: 多视图立体重建的深度置信度预测

Dec, 2019

DeepC-MVS: 多视图立体重建的深度置信度预测

DeepC-MVS: Deep Confidence Prediction for Multi-View Stereo Reconstruction

Andreas Kuhn, Christian Sormann, Mattia Rossi, Oliver Erdler, Friedrich Fraundorfer

TL;DR本文提出了一个流程，利用深度神经网络提高三维重建的质量，同时能够处理大型和高分辨率的图像数据集，具体包括针对多视角立体视觉（Multi-View Stereo）设计的置信度预测网络，用于深度地图 outlier 过滤和深度地图细化，从而提高最终三维重建的质量。通过在流行的基准数据集上进行广泛的实验，我们展示了这个流程的优越性，产生了最先进的三维重建质量和效果。

Abstract

deep neural networks (DNNs) have the potential to improve the quality of image-based 3D reconstructions. However, the use of DNNs in the context of 3D reconstruction from large and high-resolution image datasets is still an open challenge, due to memory and computational constraints. W

deep neural networks 3d reconstruction multi-view stereo outlier filtering depth map refinement

发现论文，激发创造

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

3DVNet: 多视角深度预测和体积细化

3DVNet 是一种结合了先前基于深度和体积的 MVS 方法优点的新型多视图立体 (multi-view stereo) 深度预测方法，使用基于体积的三维卷积神经网络来对所有深度图进行操作，并能够学习有意义的场景级先验知识，其在深度预测和 3D 重建度量上均超越了现有技术，证明该方法在新的环境下具有很好的效果和通用性。

Dec, 2021

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

MVSNet: 不规则多视图立体的深度推断

本文提出了一种用于计算多视图深度图的端到端深度学习框架 (MVSNet)，首先提取深度视觉图像特征，然后利用不同 iable homography 变形构建 3D 成本体积，并使用 3D 卷积对初始深度图进行规则化和回归，最终与参考图像相结合生成最终输出，其通过引入基于方差的成本度量来适应任意 N-view 输入，其表现优于现有同类方法并能很好地泛化于室内室外数据。

Apr, 2018

基于点的多视角立体网络

Point-MVSNet 是用 point clouds 直接处理目标场景的深度学习网络，通过将 3D 几何先验和 2D 纹理信息融入特征增强的 point cloud 中，实现了在 multi-view stereo 中更高的精度、更高的计算效率和更大的灵活性。

Aug, 2019

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

高分辨率多视角立体深度推测的循环 MVSNet

本研究提出基于递归神经网络的可扩展多视图立体（MVS）网络，通过递归因子单元（GRU）减少内存消耗，实现对高分辨率场景的高效重建。实验结果显示该方法在最近的 MVS 基准上取得了最先进的性能并在多个大规模场景上显示了伸缩性。

Feb, 2019

基于不确定性感知的深度多视角光度立体

本文提出一种有效的解决方案，利用光度立体测量和多视角立体测量的互补优势，通过基于不确定性感知的深光度立体网络和深多视角立体网络估计每像素表面法线和深度，从而实现密集、详细和精确的物体表面轮廓重建。

Feb, 2022

VolumeFusion：基于深度学习的三维场景重建深度融合技术

本文介绍了一种利用深度神经网络复制传统的 local depth maps calculation 和 global depth maps fusion 两步骤框架，以改善对 3D 场景重建精度和可解释性的计算机视觉任务方法。此外，作者还提出了一种称为 PosedConv 的旋转不变的 3D 卷积核，用于提高从非常不同视角获取的图像之间的匹配效率。作者在 ScanNet 数据集上进行了大量实验证明提出的方法在深度神经网络和传统计算机视觉技术中具有竞争力。

Aug, 2021

基于置信度的深度和表面法向迭代求解器用于深度多视角立体视觉

介绍了一种基于深度学习的多视角立体匹配系统，采用一种新型求解器，通过优化基于本地平面假设的能量潜力，迭代地求解每个视角的深度图和法向量图，并监测由定制的置信度地图产生的效果。

Jan, 2022