MVS net笔记和理解

文章目录

传统的方法有什么缺陷吗?

传统的mvs算法它对图像的光照要求相对较高,但是在实际中要保证照片的光照效果很好是很难的。所以传统算法对镜面反射,白墙这种的重建效果就比较差。

通过深度学习的方式,可以让网络去学习在相对不同的光照效果下的重建,也可以学习到镜面反射的效果。

MVSnet

MVS的理论核心和传统的基本是一样的。 这个网络的核心是构建 cost volume,这个过程就用到plane sweeping的方式。

这个网络的输入是需要有一张源照片(source image), 和多张参考照片(reference images), 首先需要对这些照片做特征提取。关键是如何构建这个cost volume。首先需要设定一个深度范围,然后将这个深度范围分成很多小份,这样做可以构建出一个volume。然后将源图像的特征图通过相机的内外参将 它从相机坐标系投射至世界坐标系,然后就可以在 volume 中找到一个对应的深度范围,然后再将特征投射到reference image的特征图上,假设深度值是完美的,那么reference image 上的点所带有的特征应该是和原图像中被投射的点的特征是一样的。但是因为有误差所以会得出一个cost,把所有reference照片的cost和在一起就变成了cost volume。为了能让每一张照片都平等的参与,而不是让原照片做主导,文中引入了一个variance metircs。

另外,cost volume 正则 (cost volume regularization)就是使用一个U形结构来将重新处理cost volume。因为原生的cost volume 可能会出现光照偏差啊,深度重合等噪音问题,为了去除这些噪音,所以选择了U形的结构来处理。这样可以保证之后深度输出的时候也不会输出过于异常值。

深度的预估

这里文章是使用的一个深度期望来表示的深度概率,然而不是简单的使用概率最大的深度作为点的深度。

除此之外,文中还结合了 reference 照片去优化depth map 目的是解决因为大感受野和正则出现的结果过于平滑的问题。 最好将initial 和 refined 的depth 都和GT比较做loss。

相关推荐
螺丝钉tina1 小时前
[Playwright] [20][AI] 失败分析:让AI大模型帮你debug
人工智能
MSTcheng.2 小时前
【AI应用实战】用 FastAPI + SSE 做一个自己的 AI 聊天网页:流式输出、多轮对话与完整源码
人工智能·python·大模型·fastapi·sse·ai聊天助手
世冠科技2 小时前
世冠科技GCEAgent重磅发布,开启复杂装备AI原生智能研发新范式
人工智能·科技·ai-native
轻松,带微笑2 小时前
AI竞争进入下半场:微软押注专业模型,通用大模型不再是唯一答案
人工智能·microsoft
哈尔滨张谦蛋2 小时前
兰州大学 · 甘肃省可穿戴装备重点实验室 · 2027年博士招生
人工智能·深度学习
MysTic_Zhong3 小时前
【3】核心引擎:LangGraph 编排与多路召回重排
人工智能·agent
vivo互联网技术3 小时前
研发数字人 Agent:从 0 到 1 的架构与实践
人工智能·agent·mcp
练习两年半的攻城狮3 小时前
企业级 AI Agent 架构知识点讲解(一):从知识型到业务型,从 LangGraph 到生产落地
人工智能·架构
Cosolar3 小时前
从 50ms 到 3 分钟:淘特动线 Agent 如何把 LLM 塞进一个有预算约束的实时系统
人工智能·后端·agent