多视图立体表示再探：区域感知 MVSNet
计算机视觉与模式识别
2023-04-28 v2
摘要
基于深度学习的多视图立体已从多视图重建出完整且几何细节丰富的物体，成为一种强有力的范式。现有大多数方法仅通过最小化预测点与射线和表面交点之间的差距来估计逐像素深度值，通常忽略了表面拓扑。这对于无法被恰当重建的无纹理区域和表面边界而言至关重要。为解决此问题，我们建议利用点到表面的距离，使模型能够感知更广范围的表面。为此，我们从代价体预测距离体，以估计表面附近点的符号距离。我们提出的 RA-MVSNet 是块感知的，因为通过将假设平面与一块表面相关联增强了感知范围。因此，它能提高无纹理区域的完整性并减少边界处的离群点。此外，由所引入的距离体可生成具有精细细节的网格拓扑。与传统的基于深度学习的多视图立体方法相比，我们提出的 RA-MVSNet 方法利用符号距离监督获得了更完整的重建结果。在 DTU 和 Tanks & Temples 数据集上的实验表明，我们的方法达到了最先进的性能。
引用
@article{arxiv.2304.13614,
title = {Multi-View Stereo Representation Revisit: Region-Aware MVSNet},
author = {Yisu Zhang and Jianke Zhu and Lixiang Lin},
journal= {arXiv preprint arXiv:2304.13614},
year = {2023}
}
备注
CVPR 2023