通过使用 Segmentation-Driven Deformation Multi-View Stereo（SD-MVS）方法，并结合 Segment Anything Model（SAM）进行场景中语义实例的区分，以及采用独特的细化策略，可以显著提高重建的 3D 模型的完整性，并通过 Expectation-Maximization 算法优化匹配成本及超参数，有效减少参数过度依赖经验调整的问题。在 ETH3D 高分辨率多视角立体视觉基准和 Tanks and Temples 数据集上的评估表明，该方法能够在更少的时间内达到最先进的结果。

Jan, 2024

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

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

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

通过引入一个由马鞍形细胞构成的理想深度几何结构，本文提出了一种粗到细的深度标定模型（Dual-MVSNet），该模型能够产生一个与真实地表上下波动的深度平面；与已有方法相比，Dual-MVSNet 在 DTU 基准测试中获得了较高的排名，并在涉及坦克和寺庙的具有挑战性场景中取得了最佳的性能，展示了其强大的性能和泛化能力。我们的方法也指出了在多视图立体测量中考虑深度几何的新研究方向。

Jul, 2023

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

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

本文提出一种基于视差流和图像 2D 成本体构建的多视图立体视觉方法 - DispMVS，该方法对深度范围无敏感性且使用 GPU 内存更少，具有良好的多视角一致性和匹配效果。

Nov, 2022