基于级联对极 RAFT 的多视立体
计算机视觉与模式识别
2022-05-11 v1
摘要
我们研究多视立体（MVS），这是一项重要的三维视觉任务，旨在从多张已标定图像重建如稠密点云之类的三维模型。我们提出 CER-MVS（Cascaded Epipolar RAFT Multiview Stereo，级联对极 RAFT 多视立体），一种基于为光流开发的 RAFT（Recurrent All-Pairs Field Transforms，全对场变换循环网络）架构的新方法。CER-MVS 对 RAFT 引入了五处新改动：对极代价体、代价体级联、代价体的多视融合、动态监督以及深度图的多分辨率融合。CER-MVS 与此前的多视立体工作有显著不同。不同于此前通过更新三维代价体来运作的工作，CER-MVS 通过更新视差场来运作。此外，我们提出一种自适应阈值方法来平衡重建点云的完整度与精度。实验表明，我们的方法在 DTU 上取得了有竞争力的性能（已知结果中第二好），并在 Tanks-and-Temples 基准（包括中间集和高级集）上取得了最先进的性能。代码见 https://github.com/princeton-vl/CER-MVS
引用
@article{arxiv.2205.04502,
title = {Multiview Stereo with Cascaded Epipolar RAFT},
author = {Zeyu Ma and Zachary Teed and Jia Deng},
journal= {arXiv preprint arXiv:2205.04502},
year = {2022}
}