【mvsnet系列论文精读】cascade mvsnet 论文精读

本文最大的贡献是cascade结构无论是在立体匹配(gwcnet)还是在mvsnet结构上使用都能达到很好的效果

同时做到了降低内存,提高精度的效果

1.网络结构【mvsnet系列论文精读】cascade mvsnet 论文精读_第1张图片

 可以看到 作者将此结构命名为mvsnet+ours

在特征提取方面采用的是金字塔结构,由上到下分别是阶段1-3,整体结构是在第k阶段得到的深度图作为第k+1阶段的深度采样范围参考

2.代价体优化

2.1深度范围减小,消耗内存减少

2.2深度间隔越大,生成的深度图质量越低

 p也为缩减因子

代价体的构造方式与mvsnet相同 这里不作介绍

3.LOSS 

损失函数是所有阶段产生的深度图与groudtruth的损失相加

【mvsnet系列论文精读】cascade mvsnet 论文精读_第2张图片

【mvsnet系列论文精读】cascade mvsnet 论文精读_第3张图片

4.Experience 

【mvsnet系列论文精读】cascade mvsnet 论文精读_第4张图片

同时,gwcnet+ours也在对应的数据集里有很好的表现 。

参考:(18条消息) Cascade-MVSNet_有远大理想的博客-CSDN博客

你可能感兴趣的:(论文精读,计算机视觉,深度学习)