Revisiter la représentation stéréo multi-vue : MVSNet basé sur les régions

Le stéréo multi-vues basé sur l'apprentissage profond (deep learning) est apparu comme un paradigme puissant pour reconstruire des objets géométriquement détaillés à partir de vues multiples. La plupart des approches existantes ne font que estimer la valeur de profondeur pixel par pixel en minimisant l'écart entre le point prédit et l'intersection du rayon et de la surface, ce qui ignore généralement la topologie de la surface. Cela est crucial pour les régions sans texture et les bords de surface qui ne peuvent pas être correctement reconstruits. Pour résoudre ce problème, nous proposons d'utiliser la distance point-surface afin que le modèle puisse percevoir une gamme plus large de surfaces. À cette fin, nous prédisons le volume de distance à partir du volume de coût pour estimer la distance signée des points autour de la surface. Notre réseau proposé, RA-MVSNet, est sensible aux patches car la portée de perception est améliorée en associant des plans hypothétiques à un patch de surface. Ainsi, il peut augmenter le taux d'achèvement des régions sans texture et réduire les valeurs aberrantes aux bords. De plus, les topologies maillées avec des détails fins peuvent être générées grâce au volume de distance introduit. Comparativement aux méthodes traditionnelles basées sur l'apprentissage profond en stéréo multi-vues, notre approche proposée RA-MVSNet obtient des résultats de reconstruction plus complets en utilisant une supervision par distance signée. Les expériences menées sur les jeux de données DTU et Tanks & Temples montrent que notre approche proposée atteint des résultats d'état de l'art.注释：在翻译过程中，我注意到“韩语表达习惯”这一要求可能是一个误写，因为原文和目标语言都是法语。因此，我在翻译时遵循了法语的表达习惯。