شبكات مقياس ديناميكي مرشدة بالانحناء للصورة المجسمة متعددة المناظر

التعددية ثلاثية الأبعاد (MVS) هي مهمة حاسمة للاستعادة ثلاثية الأبعاد بدقة. حاولت معظم الدراسات الحديثة تحسين أداء حجم التكلفة المطابقة في MVS من خلال تصميم أحجام التكلفة ثلاثية الأبعاد المجمعة وتنظيمها. تركز هذه الورقة على تعلم شبكة استخراج ميزات قوية لتعزيز أداء التكاليف المطابقة دون الحاجة إلى عمليات حسابية ثقيلة في الخطوات الأخرى. بشكل خاص، نقدم شبكة استخراج ميزات بمقياس ديناميكي، والتي نطلق عليها اسم CDSFNet. تتكون هذه الشبكة من عدة طبقات ارتكازية جديدة، كل منها يمكنه اختيار مقياس شريحة مناسب لكل بكسل بمساعدة انحناء السطح العادي للصورة. نتيجة لذلك، يمكن لـ CDSFNet تقدير مقاييس الشرائح المثلى لتعلم ميزات تمييزية لتحقيق حساب مطابقة دقيقة بين الصور المرجعية والصور المصدر. من خلال الجمع بين الميزات المستخرجة بقوة واستراتيجية صياغة التكلفة المناسبة، يمكن لمعماريتنا النهائية لـ MVS تقدير خرائط العمق بدقة أكبر. أظهرت التجارب الواسعة أن الطريقة المقترحة تتفوق على الأساليب الرائدة الأخرى في المشاهد الخارجية المعقدة. إنها تحسن بشكل كبير اكتمال النماذج المستعادة. نتيجة لذلك، يمكن للطريقة معالجة مدخلات ذات دقة أعلى في وقت تشغيل أسرع وبذاكرة أقل من أساليب MVS الأخرى. رمز المصدر متاح على الرابط {https://github.com/TruongKhang/cds-mvsnet}.