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

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

该研究介绍了一种名为 MAVREC 的用于航拍识别的视频数据集，通过对地面摄像机和无人机摄像机的同步场景记录，以及包含标注边界框的图像，实现了航拍识别的超越性预训练策略。

Dec, 2023

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

本研究介绍了 BlendedMVS，一个新颖的数据集，用于为基于学习的 Multi-View Stereo（MVS）提供足够的训练样本，从而提高训练模型的泛化能力。对于创建这个数据集，我们使用 3D 重建管道从精选的场景图像中恢复高质量的纹理网格，然后将这些网格模型渲染为彩色图像和深度地图。

Nov, 2019

该论文提出了一种在线多视角深度预测方法，使用 ConvLSTM cell 实现对过去一定量信息的压缩，并考虑了时间步之间的视点变化，通过对先前的深度预测进行位移实现细胞的隐藏态的传播。该方法在实时性能的基础上带来了显著的深度预测的提高，并在数百个室内场景中表现出了优异的状态，代码详见 https://thisURL。

Dec, 2020

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。

Dec, 2019

本研究使用深度学习等技术，提出了一个基于点到表面距离的补丁感知（patch-awared）多视角立体重建（multi-view stereo）方法，能够更好地重建纹理缺失区域和表面边界，并且经过实验证明，在 DTU 和 Tanks & Temples 数据集上达到了最佳重建效果。

Apr, 2023

提出了一种基于卷积神经网络 (ConvNet) 的方法，用于学习本地图像描述符，可用于显着改善补丁匹配和三维重建，该方法使用多分辨率 ConvNets 学习关键点描述符，并且提出了一个新的数据集，包含比当前可用的 Multi-View Stereo（MVS）数据集更多的图像和正负对应物，并且在视角，尺度和光照变化方面具有更好的覆盖范围。该文对基于提出的描述符学习的补丁匹配和三维重建任务进行了评估，实验结果表明，在评价任务中，提出的描述符优于当前现有的最先进描述符。

Jan, 2017

提出一种高效的多视角立体（MVS）网络以实现多视角图像的三维重建和深度推断，其采用策略推断出粗到细的深度图，其中引入自注意力层与相似度测量来生成新的代价体以进行深度图细化，最终实验表明该模型优于大多数 SOTA 方法。

Nov, 2020