RobustMVS: 单域通用深度多视角立体视觉
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
本研究介绍了 BlendedMVS,一个新颖的数据集,用于为基于学习的 Multi-View Stereo(MVS)提供足够的训练样本,从而提高训练模型的泛化能力。对于创建这个数据集,我们使用 3D 重建管道从精选的场景图像中恢复高质量的纹理网格,然后将这些网格模型渲染为彩色图像和深度地图。
Nov, 2019
提出了一种基于学习的多视点立体感知方法,可以在宽基线 MVS 环境下学习深度预测并通过稳健的损失函数处理遮挡和光照等问题。该方法不需要使用三维监督数据进行训练,并且可以通过无监督的微调实现对新数据集的适应。
May, 2019
本文提出了一种基于多视角的领域泛化框架,利用多任务和多视角的元学习进行模型训练和更新,有效降低模型过拟合和不稳定预测问题,并在三个基准数据集上得到较好的结果,优于目前的一些最先进方法。
Dec, 2021
本文提出了一种基于半监督学习的多视角立体视觉 (SE-MVS) 框架,其中一些 MVS 数据仅带有稠密深度地面实况。通过一致性正则化和样式一致性损失来提高深度估计的精度和完整性,实验结果表明该方法优于全监督和无监督方法。
Jul, 2022
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
本文研究了深度学习在多视图立体视觉任务中的优秀性能,并通过分析现有的损失函数,提出了一种新的自适应 Wasserstein 损失函数以及一个简单而有效的偏移模块,通过在不同基准测试中的广泛实验证明,该方法在自适应 Wasserstein 损失和偏移模块的支持下实现了最先进的性能。
Apr, 2024
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