CVPRApr, 2024

GoMVS：多视角立体匹配的几何一致成本聚合

PDF
TL;DR提出了一种名为 GoMVS 的方法，通过几何一致的传播和聚合，以更好地利用相邻几何结构，从而使成本聚合更加准确和有效。在 DTU、Tanks & Temple 和 ETH3D 数据集上取得了最新的最高性能，特别是在 Tanks & Temple Advanced 基准测试上排名第一。
发现论文，激发创造
  • 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

  • 高分辨率多视角立体匹配的级联代价体

    本文提出了一种既节省时间又节省内存的立体成像方法，该方法在几何和语境的渐进细化尺度中构建标准的特征金字塔下的代价体，随着不断增加的代价体分辨率以及深度（或差异）间隙的自适应调整，以较粗糙的方式从粗到细恢复输出。

    Dec, 2019

  • 利用后期成本聚合提升多视图立体匹配

    基于学习的多视点立体匹配，我们提出了一种晚期聚合方法，通过整个网络前馈过程对成对成本进行聚合，实现准确的估计，并且仅对普通 CasMVSNet 进行微小改变，从而使后续的深度网络充分利用关键的几何线索。

    Jan, 2024

  • 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

  • 多尺度几何一致性引导的多视角立体重建

    该论文提出了一种基于几何一致性的多尺度引导的多视角立体方法，其中利用结构化区域信息采样更好的候选假设，进而推断每个像素的聚合视图子集，以及将 ACMH 与多尺度几何一致性指导（ACMM）相结合，以便在粗略尺度上获取低纹理区域的可靠深度估计并保证它们可以传播到更细的尺度。

    Apr, 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

  • 具有自适应视图聚合的金字塔多视图立体网络

    该研究提出了一种有效和高效的基于金字塔多视图立体 (MVS) 网络的自适应视图聚合方法，用于精确和完整的密集点云重建。

    Dec, 2019

  • 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

  • 多视角立体表示重新审视：区域感知的 MVSNet

    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

  • AANet: 用于高效立体匹配的自适应聚合网络

    提出了一种基于稀疏点和神经网络的代价聚合方法，用于加速立体匹配的推理速度，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020