DELTAS：通过学习三角测量和稀疏点的稠密化进行深度估计

多视图立体（MVS）是主动深度感知精度与单目深度估计实用性之间的最佳平衡点。基于代价体的方法通过使用三维卷积神经网络（CNNs）显著提高了MVS系统的精度。然而，这种高精度是以高昂的计算成本为代价的，这阻碍了其实用化应用。不同于传统的代价体方法，我们提出了一种高效的深度估计方法，首先（a）检测并评估兴趣点的描述符，然后（b）学习匹配并三角化一小部分兴趣点，最后（c）利用CNNs对这一稀疏的3D点集进行稠密化处理。一个端到端的网络在深度学习框架内高效地完成了这三个步骤，并结合中间的二维图像和三维几何监督以及深度监督进行了训练。关键在于，我们的第一步通过兴趣点检测和描述符学习补充了姿态估计。我们在不同场景长度下展示了最先进的深度估计结果，并且计算成本更低。此外，我们的方法可以推广到新的环境，网络输出的描述符与强大的基线方法相比也具有竞争力。代码可在https://github.com/magicleap/DELTAS 获取。