传统与深度学习三维重建（MVS）笔记及问题总结

简介：
本笔记深入探讨了传统方法和现代深度学习技术在多视图立体视觉(MVS)中的应用，系统梳理并解答了实际操作中遇到的问题。 三维重建是计算机视觉领域的重要研究方向之一，旨在获取真实世界物体或场景的精确三维几何结构。本段落总结了传统方法与基于深度学习的方法在多视点立体（MVS）技术中的应用，并探讨两者之间的差异及各自的优势和局限性。 1. **Plane-sweeping算法**：这是一种关键的传统三维重建算法，用于估计图像序列中每幅图片的深度信息。通过虚拟平面沿水平方向移动的方式，该方法可以高效地生成场景的稠密深度图，在实时处理复杂且密集的数据集时表现出色，并能够很好地适应未经校正或带有径向畸变的情况。 2. **传统与现代三维重建技术对比**：传统的MVS算法主要依赖于光度一致性等规则进行匹配，虽然在理想条件下能提供较高的精度，但在面对弱纹理、高反光和重复图案的复杂场景时难以有效工作。相比之下，深度学习方法通过引入全局语义信息（如镜面先验）增强了模型对各种环境变化的适应能力。 3. **大规模场景重建**：针对大型空间或区域的应用场合下，传统MVS算法面临挑战。近年来的研究提出了一种基于补丁匹配的方法来改进路径匹配过程，在处理高分辨率图像时显著减少了计算负担，并提高了大范围重建任务中的准确性与完整性。 4. **PMVS技术**：作为一种基于小面片集合的多视图立体视觉方法，PMVS能够生成精确、密集且鲁棒的三维模型。然而，它的性能很大程度上依赖于初始化的质量（例如体素化或可变形网格），这在某些情况下可能成为限制因素。 5. **数学工具的应用**：argmin和argmax分别用于确定函数值最小化与最大化的参数，而softmax则将向量转换为概率分布形式，在多分类任务中应用广泛。这些概念对于理解深度学习模型的设计至关重要。 总的来说，无论是传统的plane-sweeping算法还是现代基于深度学习的方法都在三维重建领域扮演着重要角色。随着技术的进步和对复杂环境适应性的需求增加，深度学习方法正逐渐成为主流趋势，并有望在未来实现更加精确、全面的三维场景再现能力。