摘要
本文提出了一种名为EPP-MVSNet的新型深度学习网络，用于多视角立体（Multi-View Stereo, MVS）的三维重建。EPP-MVSNet能够以较低的计算代价，将高分辨率特征精确聚合至具有最优深度范围的有限代价体中，从而实现高效且准确的三维重建。与现有方法在离散位置计算特征代价、影响三维重建精度不同，EPP-MVSNet引入了一种基于极线汇聚的卷积核，该卷积核沿极线自适应地划分区间，充分挖掘图像分辨率的潜力。此外，我们提出了一种基于熵的优化策略，使代价体在描述空间几何结构的同时，最大限度地减少冗余信息。同时，我们设计了一种轻量级网络结构，融合伪三维卷积（Pseudo-3D Convolutions），在保证高精度的同时兼顾计算效率。我们在具有挑战性的Tanks & Temples（TNT）、ETH3D和DTU数据集上进行了大量实验，结果表明，EPP-MVSNet在所有数据集上均取得了优异性能，并在在线TNT中期基准测试中获得了最高的F-Score。相关代码已开源，地址为：https://gitee.com/mindspore/mindspore/tree/master/model_zoo/research/cv/eppmvsnet。