MGCFI-Net:一种多尺度全局感知特征学习方法,结合跨视图特征交互实现多视图立体视觉
《Neural Networks》:MGCFI-Net: Multi-Scale Globally Aware Feature Learning with Cross-View Feature Interaction for Multi-View Stereo
【字体:
大
中
小
】
时间:2026年05月19日
来源:Neural Networks 6.3
编辑推荐:
明汉|慧音|艾鑫冲|华黄•我们提出了一种高效的级联MVS框架,称为MGCFI-Net,该框架能够在跨视图特征相似性的监督下,共同学习多尺度的全局感知特征并促进视图间的特征交互,从而在纹理较弱的挑战性区域实现更出色的重建性能。•开发了多尺度层次感知(MSHP)模块,该模块结合了标准
明汉|慧音|艾鑫冲|华黄
- •
我们提出了一种高效的级联MVS框架,称为MGCFI-Net,该框架能够在跨视图特征相似性的监督下,共同学习多尺度的全局感知特征并促进视图间的特征交互,从而在纹理较弱的挑战性区域实现更出色的重建性能。
- •
开发了多尺度层次感知(MSHP)模块,该模块结合了标准卷积、深度扩张卷积和Swin Transformer层,以逐步捕捉长距离的上下文依赖性。此外,采用了一种补丁扩展的上采样策略进行跨尺度特征融合,能够在保持语义一致性和空间细节的同时,实现有效的信息传播。
- •
引入了跨视图特征交互(CVFI)模块,以提高视图间特征匹配的准确性和可靠性,并设计了跨视图特征相似性监督(CFSS)来指导这种交互,促进视图间的几何一致性和鲁棒匹配。
- •
在DTU、Tanks & Temples和ETH3D基准测试上的广泛实验验证了所提出的MGCFI-Net的有效性,证明了其出色的重建性能和强大的泛化能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号