Aug, 2020

可见性感知多视角立体网络

PDF
TL;DR本文基于学习的多视角立体 (MVS) 方法，采用匹配不确定性估计，将像素级遮挡信息显式地推理和集成到 MVS 网络中，从而抑制像素遮挡对成本聚合的不利影响，提高了 Vis-MVSNet 算法在严重遮挡场景中的深度精度。在 DTU、BlendedMVS 和 Tanks and Temples 数据集上进行了广泛实验证明了所提出算法的有效性。
multi-view stereopixel-wise visibilityocclusion informationmatching uncertaintycost volume fusion
发现论文，激发创造
  • PVSNet：像素级别的可见性感知多视角立体网络

    本文提出了一种基于像素可见性的多视图立体网络 (PVSNet)，通过像素可见性网络学习不同邻近图像的可见性信息计算多视图相似度，构建具有可见性信息的自适应加权代价体积，并采用抗噪训练策略来区分不相关视图，实现了对强视角变化数据集的稳健密集 3D 重建，并在多个数据集上取得了最先进的表现。

    Jul, 2020

  • 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

  • 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

  • 基于注意力感知的代价体积金字塔的多视角立体网络用于三维重建

    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

  • 基于深度合成的无监督多视角立体匹配网络 DS-MVSNet

    本文提出 DS-MVSNet，一种端到端的无监督多视点结构，并通过 Adaptive Gaussian Sampling 和 Improved Adaptive Bins Sampling 等方法来提高深度假设的准确性。同时，我们利用源深度来渲染参考图像，并提出了深度一致性损失和深度平滑性损失来提供额外的指导。最后，通过在 DTU 数据集和 Tanks＆Temples 数据集上的一系列实验证明了我们的方法相对于现有方法的效率和稳健性。

    Aug, 2022

  • 自监督多视角立体匹配中的不确定性探究

    提出了一种新的 UMVS 框架，通过估计自监督 MVS 中的认知不确定性来处理前景中的不确定监督和背景中的无效监督信号，并在 DTU 和 Tank＆Temples 基准测试中获得了最佳性能。

    Aug, 2021

  • 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

  • GC-MVSNet：多视角，多尺度，几何一致的多视图立体视觉

    本文介绍了一种新的方法，通过在学习过程中明确地鼓励多个源视图的参考视图深度图的几何一致性，加速学习过程，达到了 DTU 和 BlendedMVS 数据集的最新技术水平，并在 Tanks and Temples 基准上获得了有竞争力的结果。据我们所知，GC-MVSNet 是对多视图、多尺度几何一致性进行学习的第一次尝试。

    Oct, 2023

  • M^3VSNet: 无监督多指标多视角立体网络

    本文提出了一种名为 M^3VSNet 的新型无监督多指标 MVS 网络，用于稠密点云重建，该网络通过结合像素和特征损失函数来学习来自不同视角的匹配对应的内在约束，并将深度图从相机空间转化为点云，并改善了深度图的精准性和连续性，该方法在 DTU 数据集上表现出了与以往有监督方法可比较的性能，并在坦克和寺庙基准测试中证明了其强大的泛化能力。

    Apr, 2020

  • M^3VSNet: 无监督多度量多视角立体网络

    提出了一种采用多指标无监督方法的多视点立体匹配网络，名为 M^3VSNet，用于稠密点云重建，结合像素级和特征级两种损失函数学习从不同角度的匹配对应的内在约束，并将法向深度一致性融入到三维点云格式中，从而提高深度估计图的准确性、连续性和鲁棒性。实验结果表明，该方法在 DTU 数据集上达到了有监督方法的水平，并在 Tanks and Temples 基准上获得了有效的改进和强大的泛化能力。

    Apr, 2020