unsup_mvs:纸代号

通过鲁棒的光度一致性学习无监督的多视图立体视觉 该存储库包含在CVPR 2019的作为口头报告，的正式实施。 | | 我们的模型从多个视图消耗场景的校准图像集合，并为每个这样的视图生成深度图。 我们表明，使用我们强大的照片一致性损失，可以在无监督的方式下训练此深度预测模型。 然后将预测的深度图融合在一起，形成一致的3D重建图像，该重建图像非常相似，并且通常会在传感器扫描模型上得到改进。 从左到右：输入图像，预测的深度图，融合的3D重建，地面真实3D扫描。 抽象的 我们提出了一种基于学习的多视图立体视觉（MVS）方法。 尽管当前的深层MVS方法取得了令人印象深刻的结果，但它们仍至关重要地依赖于真实的3D训练数据，而获取这种精确的3D几何图形进行监督是一个主要障碍。 相反，我们的框架利用多个视图之间的光度一致性作为监督信号，以在较宽的基线MVS设置中学习深度预测。 但是，由于遮挡和整个视