基于相似性学习与几何先验的多视角稠密图像匹配
计算机视觉与模式识别
2025-05-19 v1
摘要
我们提出 MV-DeepSimNets，一个综合性的深度神经网络套件，专为多视角相似性学习设计，利用视差几何进行训练。我们的方法引入在线几何先验来刻画像素关系，既可沿视差线，也可通过单畸变矩形化。这使得可从原生图像生成几何感知特征，再通过平面扫描投射到候选深度假设上。我们的几何预处理有效地将基于视差的特征适用于增强的多视角重建，而无需创建繁琐的多视角训练数据集。通过聚合所学相似性，我们构建并正规化成本体积，从而优于传统稠密匹配方法。MV-DeepSimNets 在多种相似性学习网络和端到端回归模型方面表现卓越，尤其在跨越航空航天和卫星图像且地面采样距离各异的泛化能力方面尤为突出。我们的管线已集成至 MicMac 软件，可轻松采纳于标准多分辨率图像匹配管线中。
引用
@article{arxiv.2505.11264,
title = {Multi-view dense image matching with similarity learning and geometry priors},
author = {Mohamed Ali Chebbi and Ewelina Rupnik and Paul Lopes and Marc Pierrot-Deseilligny},
journal= {arXiv preprint arXiv:2505.11264},
year = {2025}
}