通过对比匹配与加权焦点损失增强多视图立体
计算机视觉与模式识别
2022-06-22 v1
摘要
近年来，基于学习的多视图立体（MVS）方法取得了令人印象深刻的进展，并超越了传统方法。然而，其准确率和完整度仍不尽如人意。本文受对比学习和特征匹配启发，提出一种增强现有网络性能的新方法。首先，我们提出对比匹配损失（CML），将深度维度上正确匹配点视为正样本、其他点视为负样本，并基于特征相似度计算对比损失。我们进一步提出加权焦点损失（WFL）以提升分类能力，其根据预测置信度削弱不重要区域中低置信度像素对损失的贡献。在 DTU、Tanks and Temples 和 BlendedMVS 数据集上的大量实验表明，我们的方法达到了最先进性能，并相较基线网络有显著提升。
引用
@article{arxiv.2206.10360,
title = {Enhancing Multi-view Stereo with Contrastive Matching and Weighted Focal Loss},
author = {Yikang Ding and Zhenyang Li and Dihe Huang and Zhiheng Li and Kai Zhang},
journal= {arXiv preprint arXiv:2206.10360},
year = {2022}
}
备注
5 pages, 3 figures; Accepted to ICIP2022