用于多视图立体重建的自适应学习
计算机视觉与模式识别
2024-04-09 v1
摘要
深度学习最近在多视图立体（MVS）任务中展现了其优异的性能。然而，应用于深度 MVS 的损失函数却很少被研究。在本文中，我们首先分析了基于深度图的 MVS 方法中现有损失函数的特性。基于回归的损失通过计算数学期望导致不准确的连续结果，而基于分类的损失输出离散化的深度值。为此，我们随后提出了一种新的损失函数，名为自适应 Wasserstein 损失，它能够缩小深度的真实概率分布与预测概率分布之间的差异。此外，引入了一个简单但有效的偏移模块以更好地实现亚像素预测精度。在包括 DTU、Tanks and Temples 和 BlendedMVS 在内的不同基准上的大量实验表明，所提出的结合自适应 Wasserstein 损失和偏移模块的方法实现了 SOTA 性能。
关键词
引用
@article{arxiv.2404.05181,
title = {Adaptive Learning for Multi-view Stereo Reconstruction},
author = {Qinglu Min and Jie Zhao and Zhihao Zhang and Chen Min},
journal= {arXiv preprint arXiv:2404.05181},
year = {2024}
}