HyperAIHyperAI
vor 2 Monaten

Mehrskalige geometrische Konsistenz gesteuerte Multi-View Stereo

Qingshan Xu; Wenbing Tao
Mehrskalige geometrische Konsistenz gesteuerte Multi-View Stereo
Abstract

In dieser Arbeit schlagen wir eine effiziente, mehrskalige, geometrisch konsistenzgesteuerte Methode für die mehrbildstereoskopische Tiefenkartenberechnung vor, die sowohl genaue als auch vollständige Ergebnisse liefert. Zunächst stellen wir unsere grundlegende mehrbildstereoskopische Methode mit adaptiver Schachbrett-Abtastung und multi-hypothese-gesteuerter gemeinsamer Ansichtsauswahl (ACMH) vor. Diese nutzt strukturierte Regioneninformationen, um bessere Kandidathypothesen für die Verbreitung zu selektieren und den Aggregationsansichtsunterbereich bei jedem Pixel zu bestimmen. Für die Tiefenschätzung in niedrig texturierten Bereichen schlagen wir ferner vor, ACMH mit mehrskaliger geometrischer Konsistenzsteuerung (ACMM) zu kombinieren, um verlässliche Tiefenschätzungen in niedrig texturierten Bereichen auf groberen Skalen zu erhalten und sicherzustellen, dass diese auf feinere Skalen propagiert werden können. Um fehlerhafte Schätzungen, die von den groberen Skalen propagiert wurden, zu korrigieren, präsentieren wir einen neuen Detailrestaurator. Experimente mit umfangreichen Datensätzen zeigen, dass unsere Methode den Stand der Technik erreicht und nicht nur in niedrig texturierten Bereichen, sondern auch in Details eine genaue Tiefenschätzung ermöglicht.

Mehrskalige geometrische Konsistenz gesteuerte Multi-View Stereo | Neueste Forschungsarbeiten | HyperAI