GC-MVSNet：多视图、多尺度、几何一致的多视图立体匹配
计算机视觉与模式识别
2025-08-15 v4 机器学习
摘要
传统的多视图立体（MVS）方法严重依赖光度与几何一致性约束，但较新的基于机器学习的 MVS 方法仅将跨多个源视图的几何一致性作为后处理步骤来检查。本文中，我们提出了一种新方法，在学习过程中显式地鼓励参考视图深度图在多个源视图间、不同尺度上的几何一致性（见图 1）。我们发现，加入该几何一致性损失通过显式惩罚几何不一致像素显著加速了学习，将训练迭代需求降至其他 MVS 方法的近一半。我们的大量实验表明，我们的方法在 DTU 和 BlendedMVS 数据集上达到了新的最先进水平，并在 Tanks and Temples 基准上取得了具竞争力的结果。据我们所知，GC-MVSNet 是首个在学习过程中强制多视图、多尺度几何一致性的尝试。
引用
@article{arxiv.2310.19583,
title = {GC-MVSNet: Multi-View, Multi-Scale, Geometrically-Consistent Multi-View Stereo},
author = {Vibhas K. Vats and Sripad Joshi and David J. Crandall and Md. Alimoor Reza and Soon-heung Jung},
journal= {arXiv preprint arXiv:2310.19583},
year = {2025}
}
备注
Accepted in WACV 2024 Link: https://openaccess.thecvf.com/content/WACV2024/html/Vats_GC-MVSNet_Multi-View_Multi-Scale_Geometrically-Consistent_Multi-View_Stereo_WACV_2024_paper.html