PatchMVSNet:弱テクスチャ表面再構成のためのパッチ状教師なしマルチビューステレオ【JST・京大機械翻訳】

Dong Haonan; Yao Jian

プレプリント

J-GLOBAL ID：202202216783665856 整理番号：22P0298806

PatchMVSNet:弱テクスチャ表面再構成のためのパッチ状教師なしマルチビューステレオ【JST・京大機械翻訳】

PatchMVSNet: Patch-wise Unsupervised Multi-View Stereo for Weakly-Textured Surface Reconstruction

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月04日プレプリントサーバーでの情報更新日： 2022年03月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

学習ベースのマルチビューステレオ(MVS)は,一般的なデータセット上で微細な再構成を獲得した。しかし,教師つき学習法は,特に大規模データセットに対して収集するのが難しい訓練のためのグランドトルースを必要とする。今日教師なし学習法が提案されてきたが,その方法は,それらの方法が,様々な照明を受ける画素ごとの測光一貫性に主に依存するので,弱いテクスチャ表面のような困難なシーンにおける完全な結果を再構成するのに失敗している。それらの挑戦的な場面におけるマッチング曖昧さを軽減するために,本論文は,マルチビュー画像の下で制約条件を leverるロバスト損失関数を提案した。1)マルチビュー類似性測定における特徴の受容野を拡大するパッチワイズ測光一貫性損失,2)ロバスト2ビュー幾何学的一貫性,それは最小オクルージョンによるクロスビュー深さ一貫性チェックを含む。この教師なし戦略は任意の深さ推定フレームワークで実装でき,任意の大規模MVSデータセットで訓練できる。実験は,著者らの方法がマッチング曖昧さを減少でき,特に弱テクスチャ再構成の完全性を改善することを示した。さらに,著者らの方法は,DTU,TanksおよびTemplesおよびETH3Dのような一般的なベンチマークに関する最先端の方法の性能に達する。コードはすぐに放出される。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般

, , , , ,

前のページに戻る