重新思考视差：一种基于视差且无深度范围限制的多视图立体方法
计算机视觉与模式识别
2022-12-06 v2
摘要
现有基于学习的多视图立体（MVS）方法依赖深度范围来构建三维代价体，当范围过大或不可靠时可能失效。为解决此问题，我们提出一种基于极线视差流（E-flow）的视差基 MVS 方法，称为 DispMVS，其从两视图间的像素运动推断深度信息。DispMVS 的核心是在图像平面上沿每对（参考图像与若干源图像之间）的极线构建二维代价体以进行像素匹配，并通过多视图几何融合由每对三角化出的不可数深度，以确保多视图一致性。为增强鲁棒性，DispMVS 从随机初始化的深度图出发，借助由粗到细策略迭代优化深度图。在 DTUMVS 与 Tanks& Temple 数据集上的实验表明，DispMVS 对深度范围不敏感，并以更低的 GPU 显存取得了最先进（SOTA）结果。
引用
@article{arxiv.2211.16905,
title = {Rethinking Disparity: A Depth Range Free Multi-View Stereo Based on Disparity},
author = {Qingsong Yan and Qiang Wang and Kaiyong Zhao and Bo Li and Xiaowen Chu and Fei Deng},
journal= {arXiv preprint arXiv:2211.16905},
year = {2022}
}
备注
Accepted at the Thirty-Seventh AAAI Conference on Artificial Intelligence (AAAI23)