GC-MVSNet: 다중 시점, 다중 스케일, 기하학적으로 일관된 다중 시점 스테레오

전통적인 다중 시점 스테레오(Multi-View Stereo, MVS) 방법은 광도학적 및 기하학적 일관성 제약에 크게 의존하지만, 최근의 머신 러닝 기반 MVS 방법들은 기하학적 일관성을 여러 소스 시점 간에서 후처리 단계에서만 확인합니다. 본 논문에서는 학습 과정 중 여러 소스 시점과 다양한 스케일에서 참조 시점 깊이 맵의 기하학적 일관성을 명시적으로 유도하는 새로운 접근법을 제시합니다(그림 1 참조). 우리는 이 기하학적 일관성 손실을 추가함으로써 기하학적으로 일관되지 않은 픽셀들을 명시적으로 패널티를 부여하여 학습을 크게 가속화시키고, 다른 MVS 방법들보다 훈련 반복 횟수를 거의 절반으로 줄일 수 있음을 발견했습니다. 우리의 광범위한 실험 결과는 DTU와 BlendedMVS 데이터셋에서 새로운 최고 성능을 달성하였으며, Tanks and Temples 벤치마크에서도 경쟁력 있는 결과를 얻었다는 것을 보여줍니다. 우리所知, GC-MVSNet은 학습 과정 중 다중 시점 및 다중 스케일의 기하학적 일관성을 강제하는 첫 번째 시도입니다.注：最后一句中的“我们所知”在韩文中通常会翻译为“우리가 알고 있는 한”以保持句子的连贯性和正式性。因此，修正后的翻译如下：우리가 알고 있는 한, GC-MVSNet은 학습 과정 중 다중 시점 및 다중 스케일의 기하학적 일관성을 강제하는 첫 번째 시도입니다.