为了提升弱纹理区域无监督多视图深度估计性能,文中提出一种基于邻域自适应无监督多视图深度估计算法。算法采用双分支结构,深度估计分支首先采用邻域自适应深度分布方法改善弱纹理区域深度分布;其次采用深度变化概率引导的深度假设范...为了提升弱纹理区域无监督多视图深度估计性能,文中提出一种基于邻域自适应无监督多视图深度估计算法。算法采用双分支结构,深度估计分支首先采用邻域自适应深度分布方法改善弱纹理区域深度分布;其次采用深度变化概率引导的深度假设范围细化后续阶段深度估计。为了提高对场景边缘的识别,采用基于标准差的深度平滑约束。神经渲染分支用于提高深度估计能力,为了增强与深度估计分支间的几何一致性,采用融合图像颜色与深度信息的采样方法。由实验结果可知,该算法在DTU数据集测试完整度误差和整体精度误差优于其他无监督算法,且完整度误差比DS⁃MVSNet减小16.71%。可视化结果表明,针对弱纹理区域深度估计性能提升明显。在Tanks and Temples数据集上进行泛化性验证,整体性能(Mean)为56.22,证明了所提算法的有效性。展开更多
文摘为了提升弱纹理区域无监督多视图深度估计性能,文中提出一种基于邻域自适应无监督多视图深度估计算法。算法采用双分支结构,深度估计分支首先采用邻域自适应深度分布方法改善弱纹理区域深度分布;其次采用深度变化概率引导的深度假设范围细化后续阶段深度估计。为了提高对场景边缘的识别,采用基于标准差的深度平滑约束。神经渲染分支用于提高深度估计能力,为了增强与深度估计分支间的几何一致性,采用融合图像颜色与深度信息的采样方法。由实验结果可知,该算法在DTU数据集测试完整度误差和整体精度误差优于其他无监督算法,且完整度误差比DS⁃MVSNet减小16.71%。可视化结果表明,针对弱纹理区域深度估计性能提升明显。在Tanks and Temples数据集上进行泛化性验证,整体性能(Mean)为56.22,证明了所提算法的有效性。
