摘要

匹配代价聚合在基于学习的多视角立体视觉网络中起着基础性作用。然而，直接对相邻代价进行聚合可能导致次优结果，这是由于局部几何不一致性所致。现有方法或采用选择性聚合策略，或在二维空间中优化聚合后的深度，但二者均难以有效处理代价体中的几何不一致性问题。本文提出GoMVS（Geometrically Consistent Cost Aggregation for Multi-View Stereo），旨在聚合具有几何一致性的代价，从而更充分地利用相邻视角的几何信息。具体而言，我们结合局部几何平滑性与表面法向量，将相邻代价对应并传播至参考像素位置。这一过程通过几何一致性传播（Geometric Consistent Propagation, GCP）模块实现：该模块利用表面法向量，将相邻深度假设空间中的代价映射至参考深度空间，再基于该对应关系将相邻代价传播至参考几何结构，最后通过卷积操作完成聚合。所提方法在DTU、Tanks & Temple和ETH3D数据集上均取得了新的最先进性能，尤其在Tanks & Temple Advanced基准测试中排名第一。