要約
学習ベースのマルチビュー立体視（MVS）手法は有望な結果を示しています。しかし、既存のネットワークの多くが画素単位での可視性を明示的に考慮していないため、被覆された画素からのコスト集約に誤りが生じることがあります。本論文では、マッチング不確実性推定を通じてMVSネットワークにおいて画素単位の被覆情報を明示的に推論し、統合する方法を提案します。ペアごとの不確実性マップはペアごとの深度マップと共に推論され、多視点コスト体積融合時に重み付けガイダンスとして使用されます。これにより、被覆された画素によるコスト融合における悪影響が抑制されます。提案したフレームワークVis-MVSNetは、深刻な被覆があるシーンでの深度精度を大幅に向上させます。DTU、BlendedMVS、およびTanks and Templesデータセットを用いて広範な実験を行い、提案手法の有効性を検証しました。