阅读文献-M3VSNet: Unsupervised Multi-metric Multi-view Stereo Network（2020.5.28）

M3VSNet: Unsupervised Multi-metric Multi-view Stereo Network

1.四个问题
要解决什么问题
3D reconstruction
针对有监督的学习方法，
用什么方法解决
1.提出一种多度量无监督MVS网络，可用于没有任何真实3D训练数据的MVS。
2.提出一种新的多度量损失函数，考虑了像素值之外的匹配对应的不同视角。
3.在3D点云格式中加入了法线深度一致性，来提高估计深度图的准确性和连续性。
效果如何
优于之前SOTA无监督方法，在DTU数据及上与原始MVSNet性能相当，在Tanks&Temples基准测试中展现了出色的泛化能力。
还存在什么问题
与同类无监督方法相比有优势，但总体来看，没有优势。
论文简介
摘要：与传统的 MVS 方法相比，目前具有基于监督学习的网络的多视图立体 (MVS) 方法具有令人印象深刻的性能。 然而，用于训练的真实深度图很难获得，并且在有限的场景中。 在本文中，我们提出了一种新的无监督多度量 MVS 网络，名为 M3VSNet，用于在没有任何监督的情况下进行密集点云重建。 为了提高点云重建的鲁棒性和完整性，我们提出了一种新的多度量损失函数，该函数结合了逐像素和逐特征损失函数，从匹配对应的不同角度学习固有约束。 此外，我们还在 3D 点云格式中加入了法线深度一致性，以提高估计深度图的准确性和连续性。 实验结果表明，M3VSNet 建立了最先进的无监督方法，并在 DTU 数据集上实现了与以前的监督 MVSNet 相当的性能，并在 Tanks & Temples 基准测试上展示了强大的泛化能力，并得到了有效的改进。
网络结构：

实验结果：

实验效果展示：