Dec, 2021

IterMVS: 迭代概率估计用于高效多视角立体

PDF
TL;DRIterMVS 提出了一种新的数据驱动方法来进行多视角高分辨率立体视觉，并使用基于 GRU 的估计器对深度的像素概率分布进行编码，结合多尺度匹配信息进行多次迭代，并通过分类与回归的结合来提取深度图。在 DTU，Tanks＆Temples 和 ETH3D 数据集上验证了方法的效率和有效性。
itermvsmulti-view stereogru-based estimatordepth mapsdata-driven method
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • DeepVideoMVS：基于重复时空融合的多视点视频立体匹配

    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

  • ARAI-MVSNet：具有自适应深度范围和深度间隔的多视角立体深度估计网络

    该研究提出了一种新颖的多阶段粗到细的框架，用于实现自适应全像素深度范围和深度间隔的多视图立体重建，通过预测粗糙深度图、自适应深度范围预测和自适应深度间隔调整模块，可以实现更准确的深度估计。实验结果表明该模型在多个基准数据集上取得了最先进的性能，并具备较强的泛化能力。

    Aug, 2023

  • 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

  • 可见性感知多视角立体网络

    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。

    Aug, 2020

  • 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

  • RIAV-MVS: 基于循环索引的非对称体积多视角立体重建

    本文提出了一种基于学习的方法，通过迭代索引平面扫描成本体积并借助卷积门控循环单元来回归深度图，从而进行多视角深度估计。经过对真实世界多视图数据集的大量实验，验证了该方法在数据集内部性能和跨数据集概括性能方面都达到了最先进水平。

    May, 2022