摘要

多视图立体视觉（Multi-view stereo）是计算机视觉领域一项重要且持续具有挑战性的研究任务。近年来，基于深度学习的方法在该任务上表现出优异的性能。基于代价体金字塔（cost volume pyramid）的网络方法通过自粗到精的逐步优化策略，在保持较低内存消耗的同时取得了令人瞩目的成果。然而，这些方法在各阶段未能充分考虑代价体自身的特性，导致在不同阶段采用相同的范围搜索策略，限制了性能的进一步提升。针对这一问题，本文提出一种新型的基于代价体金字塔的网络架构，针对不同阶段的代价体设计差异化的搜索策略。通过采用不同的深度范围采样策略并引入自适应单模态滤波（adaptive unimodal filtering），我们能够在低分辨率阶段获得更精确的深度估计，并通过迭代上采样将深度图逐步提升至任意分辨率。我们在DTU和BlendedMVS两个标准数据集上进行了大量实验，结果表明，所提方法在多个评价指标上均优于当前大多数先进方法。