用于高分辨率多视立体深度推断的循环MVSNet
计算机视觉与模式识别
2019-02-28 v1
摘要
深度学习近期在多视立体(multi-view stereo, MVS)上展现了优异性能。然而，当前学习型MVS方法的一个主要局限是可扩展性：消耗内存的代价体正则化使得学习型MVS难以应用于高分辨率场景。本文引入了一种基于循环神经网络的可扩展多视立体框架。所提出的循环多视立体网络(Recurrent Multi-view Stereo Network, R-MVSNet)并非一次性正则化整个3D代价体，而是借助门控循环单元(gated recurrent unit, GRU)沿深度方向顺序正则化2D代价图。这大幅降低了内存消耗，使高分辨率重建成为可能。我们首先在近期MVS基准上展示了所提R-MVSNet取得的state-of-the-art性能。进而，我们在数个大规模场景上进一步证明了该方法的可扩展性，而先前学习型方法常因内存限制而失败。代码见https://github.com/YoYo000/MVSNet。
引用
@article{arxiv.1902.10556,
title = {Recurrent MVSNet for High-resolution Multi-view Stereo Depth Inference},
author = {Yao Yao and Zixin Luo and Shiwei Li and Tianwei Shen and Tian Fang and Long Quan},
journal= {arXiv preprint arXiv:1902.10556},
year = {2019}
}
备注
Accepted by CVPR2019