![](https://img-blog.csdnimg.cn/20190918140053667.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
MVS-DL
文章平均质量分 78
Deep learning multi-view stereo
朽一
人生一世,草木一秋。
展开
-
MVS网络的一点思考
思考ing原创 2022-10-09 21:37:38 · 986 阅读 · 1 评论 -
UniMVSNet理解
对深度回归方法及损失函数的改进。原创 2022-06-17 22:37:02 · 2097 阅读 · 1 评论 -
cmake编译点云融合工具fusibile
cmake编译点云融合工具fusibilecmake . && make 出现的一系列问题及解决1.camke3.10.0安装yum install -y gcc gcc-c++ make automake yum install -y wgetwget https://cmake.org/files/v3.10/cmake-3.10.0.tar.gztar -zxvf cmake-3.10.0.tar.gzcd cmake-3.10.0./bootstrapgmake原创 2021-11-11 16:44:25 · 1999 阅读 · 12 评论 -
GBi-Net理解
看完新论文,记录并分享。原创 2022-06-17 15:37:27 · 1557 阅读 · 4 评论 -
点云融合——动态一致性检查
动态一致性过滤原创 2022-05-26 11:24:14 · 803 阅读 · 0 评论 -
patchmatchnet理解、及pytorch整理复现
patchmatchnet是一个很优秀的MVS框架,但其理念和代码比较复杂,本文将代码进行整合重写,并根据其思想模块化实现,有助于大家深入理解。原创 2022-05-04 11:01:16 · 2668 阅读 · 0 评论 -
UCS-Net理解
深度假设方法ATV原创 2022-03-20 14:23:56 · 1916 阅读 · 3 评论 -
CDS-MVSNet理解
CURVATURE-GUIDED DYNAMIC SCALE NETWORKS FOR MULTI-VIEW STEREO一、问题与创新1.关注点2.目前MVS的特征提取网络中存在的问题3.创新点二、网络细节1.法曲率2.CDSConv(曲率引导的动态尺度卷积)1)法曲率计算2)法曲率近似3)可学习的法曲率4)尺度选择5)示例说明3.CDSFNet(曲率引导的动态尺度特征网络)一、问题与创新1.关注点学习一个健壮的特征提取网络,以提高匹配性能。2.目前MVS的特征提取网络中存在的问题1.使用原创 2022-03-02 21:17:49 · 3844 阅读 · 30 评论 -
PVA-MVSNet理解
PVA-MVSNet一、Method1.问题与创新2.网络结构3.Pixel-wise View Aggregation4.Voxel-wise View Aggregation5. Multi-metric Pyramid Depth Map Aggregation二、Implementation Details一、Method1.问题与创新问题:1.由于不同的照明、摄像机几何参数、场景内容等,不同视图的图像会提取到不同的特征。没有遮挡的图像可以提供比部分遮挡的图像更精确的几何和光度信息。2.原创 2022-01-10 13:09:05 · 2351 阅读 · 0 评论 -
tanks and temples数据集评估
tanks and temples数据集是一个大型的多视角重建数据集,这里记录通过上传到官网进行评估的方法评估指南tanks and temples数据集评估方法1.官网注册账号2.创建submit项目3.整理文件1).标注1的文件*.ply2).标注2的文件*.log3).标注3的文件4).标注4的文件4.上传1.官网注册账号官网注册地址登陆2.创建submit项目按要求填写并保存3.整理文件以intermediate分支为例,组成如下文件列表1).标注1的文件*.原创 2022-01-09 23:02:25 · 5108 阅读 · 49 评论 -
理解MVSnet
尽管网络上有很多关于MVSnet的文章,但一些细节部分还是让人很难理解,在这里给出自己的理解,如有错误,敬请指正原创 2021-05-11 14:27:31 · 14166 阅读 · 53 评论 -
Fast-MVSNet解读
Fast-MVSNet一、概览二、稀疏高分辨率深度图预测三、深度图扩展四、Gauss-Newton 精细化五、损失函数六、实现细节1.train2.test七、网络结构1.稀疏高分辨率深度图预测2.深度图扩展3.Gauss-Newton精细化八、深度图融合九、消融实验一、概览网络分为3部分:稀疏高分辨率深度图预测网络、深度图扩展网络、高斯-牛顿精细化网络二、稀疏高分辨率深度图预测深度图方法的对比:a)高分辨率深度图:内存成本很高b)低分辨率深度图:没有细节c)稀疏的高分辨率深度图:内存原创 2021-05-14 16:45:15 · 2249 阅读 · 23 评论 -
无监督重建——JDACS
Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation一、网络结构1.深度预测分支2.语义一致性分支3.数据增强分支4.网络损失一、网络结构语义一致性分支+深度预测分支+数据增强分支1.深度预测分支采用MVSNet、AACVP-MVSNet等骨干网络,用于预测深度图损失:M为掩膜。2.语义一致性分支流程:预训练vgg特征提取→非负矩阵分解→重塑为热图→softm原创 2021-09-23 10:54:44 · 1130 阅读 · 0 评论 -
AACVP-MVSNet理解
一、网络结构二、基于自注意力的层次特征提取三、最粗分辨率(最低尺度)下的深度推断四、精细尺度下的深度残差估计五、Loss六、结果评估(DTU)一、网络结构AACVP-MVSNet:基于注意力感知代价体金字塔的多视图立体网络创新点:1)引入自注意力层提高特征提取能力,它可以捕获深度推理任务的重要信息;2)引入了相似性度量来聚合参考图像和所有源图像之间的代价,而不是大多数现有MVS网络使用的基于方差的方法;3)使用从粗到精的深度推断策略,实现了整体性能的提高。结构说明:1)构建图像.原创 2021-08-08 19:03:36 · 1145 阅读 · 3 评论 -
M3VSNet理解
M3VSNet: Unsupervised Multi-metric Multi-view Stereo Network一、网络概览1.1创新点1.2网络结构二、网络细节2.1金字塔特征提取2.2法线深度一致性2.3多度量损失函数2.3.1像素损失2.3.2特征损失三、实验3.1实验环境3.2实验结果3.3消融实验3.4在Tanks & Temples上的泛化能力一、网络概览1.1创新点•提出了一种新的多尺度无监督网络,即使在非理想环境下也能工作,可以使用没有ground-truth的数据集原创 2021-08-31 19:35:44 · 1125 阅读 · 0 评论 -
CasMVSNet理解
Cascade Cost Volume for High-Resolution Multi-View Stereo一、整体结构二、特征金字塔三、单应性变换四、代价体五、损失函数Loss一、整体结构1.输入图像经过特征金字塔得到不同尺寸的特征图;2.从小尺寸的特征图开始,进行单应性变换构建代价体,再使用方差聚合为一个统一的代价体,之后用三维卷积聚集代价体上下文信息并正则化噪声污染,最后回归得到深度图(这一步过程大致和MVSNet相同);3.根据当前得到的深度图,找到合适的深度采样区间,将其作为下一原创 2021-07-06 19:42:38 · 3677 阅读 · 0 评论 -
MVSNet单应性变换推导
[1] Gallup D , Frahm J M , Mordohai P , et al. Real-Time Plane-Sweeping Stereo with Multiple Sweeping Directions[C]// IEEE Conference on Computer Vision & Pattern Recognition. IEEE, 2007.[1] Yang R , Pollefeys M . Multi-Resolution Real-Time Stereo on原创 2021-05-18 19:56:02 · 3372 阅读 · 4 评论