超级会员免费看
本文介绍了一种名为 RIAV-MVS 的新方法，它融合了深度学习和传统优化策略，通过学习优化和迭代代价体积搜索来估计多视图的深度图。该方法在多视图 RGB 图像上运行，输出密集深度图，并在真实数据集上表现出色。与其他方法相比，RIA-VMS 在匹配策略、优化策略和代价体积构建方面具有创新性。
我们使用以下6个分类标准对本文的研究选题进行分析：
1. 匹配策略:
-
局部 vs. 全局方法:
- 局部方法: 在图像的小块区域上进行操作，考虑它们的相似性和空间关系。例如 PatchMatch [5] 和 Sum of Squared Differences (SSD)。这些方法效率高，但可能难以处理较大的深度不连续性。
- 全局方法: 同时考虑整幅图像或场景，以获得全局一致的深度分配。例如 Semi-Global Matching (SGBM) [24] 和深度学习方法 [31]。它们通常能获得更高的精度，但计算成本可能更高。
-
基于特征 vs. 基于学习的方法:
- 基于特征的方法: 依赖于手工制作的特征，例如梯度或 Census 变换 [14] 来表示图像内容进行匹配。这些方法具有可解释性，但可能无法捕捉复杂的图像关系。
- 基于学习的方法: 利用机器学习，特别是卷积神经网络 (CNN) [23]，直接从数据中学习匹配函数。它们可以适应复杂的图像模式，但可解释性较差，并且需要大量的训练数据。
2. 输入数据:
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
