استدلال العمق المستند إلى الهرم الحجمي التكلفة للاستريو متعدد الآراء

نقترح شبكة عصبية تعتمد على حجم التكلفة لاستنتاج العمق من صور متعددة الزوايا. نوضح أن بناء هرم حجم التكلفة بطريقة تدريجية بدلاً من إنشاء حجم تكلفة بدرجة دقة ثابتة يؤدي إلى شبكة مدمجة وخفيفة الوزن، ويتيح لنا استنتاج خرائط عمق ذات دقة عالية لتحقيق نتائج إعادة بناء أفضل. لهذا الغرض، نقوم أولاً ببناء حجم تكلفة يعتمد على عينات متساوية من الطائرات الأمامية المتوازية عبر نطاق العمق الكامل بدرجة الدقة الأقل في الصورة. ثم، بالاعتماد على تقدير العمق الحالي، نقوم بإنشاء أحجام تكلفة جديدة بشكل تكراري على الفرق البكسلي للعمق لتحسين خريطة العمق. رغم مشاركتها نفس الرؤية مع Point-MVSNet في التنبؤ والتحسين التدريجي للعمق، فإننا نظهر أن العمل على هرم حجم التكلفة يمكن أن يؤدي إلى بنية شبكة أكثر اقتصاداً وكفاءة مقارنة بـ Point-MVSNet على النقاط ثلاثية الأبعاد. كما نقدم تحليلات مفصلة حول العلاقة بين (الفروقات) عينات العمق ودقة الصورة، والتي تعمل كمبدأ لبناء هرم حجم التكلفة المدمج. أظهرت النتائج التجريبية على مجموعات بيانات المعايير أن نموذجنا يمكنه العمل بمعدل ستة أضعاف السرعة ولديه أداء مشابه لأحدث الطرق المستخدمة. يمكن الحصول على الكود من https://github.com/JiayuYANG/CVP-MVSNet