초록
다중 시점 스테레오(Multi-view stereo)는 컴퓨터 비전 분야에서 중요한 연구 과제이지만 여전히 도전적인 문제로 남아 있다. 최근 들어 딥러닝 기반의 방법들이 이 과제에서 뛰어난 성능을 보여주고 있다. 계층적 깊이 맵 추정을 통해 거친 단계에서 세밀한 단계로 점진적으로 개선하는 비용 볼륨 피라미드 네트워크 기반의 방법들은 낮은 메모리 소비로도 유망한 성과를 거두고 있다. 그러나 이러한 방법들은 각 단계에서의 비용 볼륨 특성을 충분히 고려하지 못해, 모든 비용 볼륨 단계에 동일한 범위 탐색 전략을 적용하게 된다는 한계를 지닌다. 본 연구에서는 다중 시점 스테레오를 위한 새로운 비용 볼륨 피라미드 기반 네트워크를 제안하며, 각 단계에 맞는 다양한 탐색 전략을 도입한다. 서로 다른 깊이 범위 샘플링 전략을 선택하고 적응형 단모드 필터링을 적용함으로써, 저해상도 단계에서 더 정확한 깊이 추정이 가능하며, 반복적인 업샘플링을 통해 임의의 해상도로 깊이 맵을 복원할 수 있다. 본 연구는 DTU 및 BlendedMVS 데이터셋에서 광범위한 실험을 수행하였으며, 실험 결과 제안한 방법이 대부분의 최신 기술보다 뛰어난 성능을 보였다.