APMVS：基于相邻阶段和成对阶段不确定性估计的多视图立体视觉学习方法

《ACM Transactions on Multimedia Computing, Communications, and Applications》：APMVS: Learning Multi-View Stereo Based on Adjacent Stage and Pair-Wise Stage Uncertainty Estimation

多视角立体视觉（MVS）网络采用级联结构可有效估计深度并节省内存，但精细阶段依赖粗阶段深度图且多阶段生成深度图未重用导致信息损失。本文提出APMVS方法，通过相邻阶段不确定性和对齐阶段不确定性双重估计缓解级联结构影响，动态调整深度假设范围并优化损失计算，实验表明其重建质量优于现有方法。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

许多具有级联结构的多视图立体（MVS）网络能够在节省内存的同时有效估计深度。然而，精细阶段的深度图准确性取决于粗略阶段估计的深度图。此外，由级联结构生成的多阶段深度图用于计算损失，但并未被重新利用，从而导致阶段间差异信息的丢失。为了解决这些问题，我们提出了一种基于相邻阶段和成对阶段不确定性估计的双不确定性估计MVS方法，称为APMVS。所提出的APMVS的核心是采用双不确定性估计来减轻级联结构的不良影响。具体来说，它包括两个估计模块：相邻阶段不确定性（ASU）和成对阶段不确定性（PSU）。ASU估计模块通过利用前一阶段的不确定性动态调整深度假设范围，从而提高当前阶段深度图预测的准确性。PSU估计模块估计每对阶段之间的不确定性。因此，不确定性较高的区域受到的影响最小。我们在DTU、Tanks & Temples和BlendedMVS数据集上评估了所提出的APMVS。实验结果表明，与其他最先进的方法相比，我们的方法实现了更好的重建质量。

AI摘要

AI生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审阅的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。完整文章仍然是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这将有助于改进未来的版本。

要查看此由AI生成的简单语言摘要，您必须具有高级访问权限。