MVS^2：基于多视角对称性的深度无监督多视角立体视觉
计算机视觉与模式识别
2019-09-02 v1
摘要
现有基于深度学习的多视角立体视觉（MVS）方法的成功在很大程度上依赖于以稠密深度图形式提供的大规模监督。此类监督虽并非总可行，却往往阻碍所学模型在未见场景中的泛化能力。本文提出首个基于无监督学习的MVS网络，该网络从输入的多视角图像中学习多视角深度图，且不需要真值3D训练数据。我们的网络在同时预测所有视角的深度图时具有对称性，并在训练与测试阶段均强制多视角深度图的跨视角一致性。因此，学到的多视角深度图自然符合底层3D场景几何。此外，我们的网络还学习多视角遮挡图，进一步提升了网络处理真实世界遮挡的鲁棒性。在多个基准数据集上的实验结果表明了我们网络的有效性及优异的泛化能力。
引用
@article{arxiv.1908.11526,
title = {MVS^2: Deep Unsupervised Multi-view Stereo with Multi-View Symmetry},
author = {Yuchao Dai and Zhidong Zhu and Zhibo Rao and Bo Li},
journal= {arXiv preprint arXiv:1908.11526},
year = {2019}
}
备注
Accepted by International Conference on 3D Vision (3DV 2019) as ORAL presentation