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

使用 BiGAN 模型，提出了一种多视图 BiGAN（MV-BiGAN）模型，可以从多个视图输入中执行密度估计，并且可以处理缺失视图并在提供额外视图时更新其预测。

Nov, 2016

本文介绍了一种新颖的多视角深度学习方法 MVSS-Net 和其增强版 MVSS-Net++，通过同时利用图像临界位置和输入图像的噪声视图进行特征学习，可实现对图像的普适性篡改检测，并通过实验显示表现优秀，且在 JPEG 压缩、高斯模糊和截屏重拍等情况下更具鲁棒性。

Dec, 2021

提出了一种新的多视角分类方法：可信的多视角分类，该算法动态集成不同视图的证据，以提高分类的可靠性和鲁棒性，通过将来自每个视图的证据参数化为 Dirichlet 分布并与 Dempster-Shafer 理论相结合，构建统一框架来感知和评估样本的分类不确定性。

Feb, 2021

本文提出了一种名为多视角机器（MVM）的通用预测器，其可以有效地包括多个视图中特征之间的所有可能交互，并嵌入联合分解以实现参数稀疏估计。通过与其他方法进行比较，我们进一步说明了 MVM 的优势，包括支持向量机（SVM）、支持张量机（STMs）和因子机（FMs）等多视角分类任务。同时我们还提出了一个用于学习 MVM 模型的随机梯度下降方法。

Jun, 2015

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

本研究针对多视点立体重建（Multi-view Stereo，MVS）领域中的领域泛化问题，提出了一种名为 RobustMVS 的新型框架，并引入 DepthClustering-guided Whitening（DCW）损失以维持不同视角之间的特征一致性，实验结果表明我们的方法在领域泛化基准测试中取得了优越性能。

May, 2024

本文提出了一种新的概率多视图学习算法，利用视图间的随机一致性作为正则化，该算法在结构化和非结构化问题上工作，并容易推广到部分一致情况，其中在完全一致情况下，我们的算法最小化每个视图模型之间的 Bhattacharyya 距离，并在几个平面和结构化分类问题上表现优越。

Jun, 2012

本研究提出 GP-MVC 模型，通过生成缺失视图的数据来解决不完整的多视角聚类问题，使用多视角编码器网络和生成对抗网络学习共享表示和生成缺失数据，并利用加权自适应融合方案来利用不同视图的互补信息。通过实验证明，该方法在四个基准数据集上优于现有的多视图聚类方法。

Mar, 2020

本文提出了一种新的数学推理多视角微调方法，能够在避免过度依赖大型模型的情况下，提高小型语言模型的性能，并且能够灵活地学习不同的注释格式以及在不同数据集上实现良好的泛化能力和学习能力。

Jul, 2023