野外的深度多视图立体
计算机视觉与模式识别
2022-01-28 v2
摘要
深度多视图立体(MVS)方法已在简单数据集上得到发展并广泛比较，它们现在优于经典方法。在本文中，我们询问在受控场景中得出的结论在处理互联网照片集合时是否仍然有效。我们提出一种评估方法并探讨深度MVS方法的三个方面的影响：网络架构、训练数据和监督。我们做了几个关键观察，并在深度预测和完整3D重建方面进行了广泛的定量和定性验证。首先，复杂的无监督方法无法在野外数据上训练。我们的新方法通过三个关键要素使其成为可能：上采样输出、基于softmin的聚合和单一重建损失。其次，有监督的基于深度深度图的MVS方法是少数互联网图像重建的最先进技术。最后，我们的评估给出的结果与通常的结果非常不同。这表明在非受控场景中的评估对新架构很重要。
引用
@article{arxiv.2104.15119,
title = {Deep Multi-View Stereo gone wild},
author = {François Darmon and Bénédicte Bascle and Jean-Clément Devaux and Pascal Monasse and Mathieu Aubry},
journal= {arXiv preprint arXiv:2104.15119},
year = {2022}
}
备注
Accepted to 3DV2021