概述

1. 学习资料：

• .PPT：网盘链接 密码：ad16
• 参考博文：链接

2. MVS的基本思路：寻找空间中具有图像一致性(Photo-consistency)的点

• 两视图图像一致性：
  

• 多视图图像一致性：需要考虑相机的可视性问题

Method1 - 基于体素

1. 本质：三维空间voxel的label问题

• MRF(Markov Random Field)优化问题-- Graph-cuts可以有效求解
• 自适应多分辨率网格（物体表面高分辨率、其他区域低分辨率）—处理海量高分辨率Voxel

Method2 - 基于特征点扩散

1. 代表方法：Patch-based Multi-view Stereo (PMVS)

• 缺点：需要一次读入所有图像
• 改进：Clustering Views for PMVS–CMVS

Method3 - 基于深度图融合–（main）

0 pre

step1 构造立体图像对（组）

step2 深度图计算

1. 实质：基于图像一致性约束实现深度值计算

一致性约束可分为：

• space–领域像素intensity\3D depth\3D normal
• view – matching view上对应像素 intensity\3D depth\3D normal
• temporal – 相邻时间view上对应像素 intensity\3D depth\3D normal

2. 约束的具体操作（多种，以下列举出部分）：

• view-window：( even or adjust weight) SSD\ASD\NCC
• pixel --plane (parameter)–aggregate cost

3. 方法分类及基本步骤
   （每个步骤的实现细节，参见参考博客）

• 局部匹配：匹配代价计算、代价聚合和视差计算
• 全局算法：匹配代价计算，视差计算与视差优化
• 半全局算法SGM：匹配代价计算、代价聚合和视差计算、视差优化

step3 多张深度图融合

1. 关键： 基于领域图像进行depth的融合
2. 具体细节包括： 领域图像的选择，融合的标准
3. 目的： 得到具有一致性的3D point depth

step4 抽取物体表面

dense point cloud + normal —surface