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

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

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

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

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

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

IterMVS 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。

Dec, 2021

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

本文提出了一种名为 PlaneMVS 的新型框架，用于从具有已知相机姿态的多个输入视图中重建 3D 平面。采用多视角几何的 MVS 流水线将平面重建解耦，采用倾斜平面假设来取代传统深度假设并最终学习像素级平面参数及其平面深度图。通过大量室内数据集的实验表明，PlaneMVS 在平面检测和 3D 几何度量上显著优于最先进的单视角平面重建方法。

Mar, 2022