IterMVS：用于高效多视图立体的迭代概率估计
计算机视觉与模式识别
2021-12-10 v1
摘要
我们提出IterMVS，一种用于高分辨率多视图立体的新数据驱动方法。我们提出一种新颖的基于GRU的估计器，在其隐藏状态中编码深度的逐像素概率分布。我们的模型摄取多尺度匹配信息，在多次迭代中细化这些分布并推断深度与置信度。为提取深度图，我们以新颖方式结合传统分类与回归。我们在DTU、Tanks&Temples和ETH3D上验证了方法的效率与有效性。尽管是我们的模型在内存和运行时间上最高效的方法，其在DTU上取得了具竞争力的性能，且在Tanks&Temples以及ETH3D上比多数最先进（SOTA）方法具有更好的泛化能力。代码见https://github.com/FangjinhuaWang/IterMVS。
引用
@article{arxiv.2112.05126,
title = {IterMVS: Iterative Probability Estimation for Efficient Multi-View Stereo},
author = {Fangjinhua Wang and Silvano Galliani and Christoph Vogel and Marc Pollefeys},
journal= {arXiv preprint arXiv:2112.05126},
year = {2021}
}