面向多视角立体的实例聚焦自适应深度抽样：IA-MVS
计算机视觉与模式识别
2025-05-20 v1
摘要
基于渐进式深度假设缩窄的多视角立体（MVS）模型已取得显著进展。然而，现有方法未充分利用单个实例深度覆盖范围小于整个场景的潜力，这限制了深度估计精度的进一步提升。此外，初始阶段的偏差会在后续过程中累积。本文提出实例自适应 MVS（IA-MVS）。通过缩小每个实例的深度假设范围并对其进行细化，IA-MVS增强了深度估计精度。此外，融合基于实例内部深度连续性先验的过滤机制以提升鲁棒性。进一步认识到，现有置信度估计会降低 IA-MVS 在点云上的性能。我们构建了基于条件概率的置信度估计数学模型。该方法可广泛应用于基于 MVSNet 的模型，无需额外训练负担。我们的方法在 DTU 数据集上实现了最先进的性能。源码已公开于 https://github.com/KevinWang73106/IA-MVS。
引用
@article{arxiv.2505.12714,
title = {IA-MVS: Instance-Focused Adaptive Depth Sampling for Multi-View Stereo},
author = {Yinzhe Wang and Yiwen Xiao and Hu Wang and Yiping Xu and Yan Tian},
journal= {arXiv preprint arXiv:2505.12714},
year = {2025}
}