DDL-MVS：面向 MVS 网络的深度不连续学习
计算机视觉与模式识别
2023-06-13 v3 机器学习
摘要
传统的 MVS 方法精度良好但完整性不足，而近年发展的基于学习的多视立体（MVS）技术在完整性上有所提升，却牺牲了精度。我们提出面向 MVS 方法的深度不连续学习，在保持重建完整性的同时进一步提升精度。我们的思路是联合估计深度图与边界图，其中边界图被显式用于深度图的进一步细化。我们验证了该思路，并表明我们的策略可轻松集成到现有的基于学习的 MVS 流程中，该流程依赖于高质量的深度图估计。在多个数据集上的大量实验表明，与基线相比，我们的方法提升了重建质量。实验还表明所提模型与策略具有良好的泛化能力。源代码将很快公开。
引用
@article{arxiv.2203.01391,
title = {DDL-MVS: Depth Discontinuity Learning for MVS Networks},
author = {Nail Ibrahimli and Hugo Ledoux and Julian Kooij and Liangliang Nan},
journal= {arXiv preprint arXiv:2203.01391},
year = {2023}
}