.png){kind=icon}
.png){kind=icon}
返回
Remote sensing multi-view stereo using ConvLSTM guided iterative depth refinement
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07996-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于遥感影像的多视图三维重建已作为计算机视觉和遥感领域的一个重要研究方向出现。尽管基于深度学习的方法在近景重建中取得了显著成功，但遥感场景仍持续带来重大挑战。这些挑战包括因视角不同导致的边缘模糊、阴影区域的噪声伪影，以及平滑高程变化区域中的不连续深度估计，所有这些因素都阻碍了精确匹配并降低了重建质量。为解决这些问题，我们提出了一种新颖的端到端网络，称为CGIDR-Net，该网络通过卷积LSTM（ConvLSTM）引导的迭代深度细化来增强遥感多视图立体（MVS）重建。具体而言，我们设计了一个可变形通道转换模块（DCTM），通过自适应捕获空间和通道维度的变化来缓解跨视图的边缘模糊。此外，我们引入了一种可微分三维掩模变形（MW）机制，该机制利用可学习掩模构建更可靠的代价体积，有效抑制遮挡和几何失真。最后，我们集成了一个基于ConvLSTM的迭代深度细化模块（IDRM），该模块逐步整合空间和上下文线索以细化深度预测。在多个公开数据集（包括WHU、LuoJia-MVS、WHU-OMVS和DTU）上的广泛实验表明，我们的CGIDR-Net在准确性和鲁棒性方面均优于现有最先进方法。
Keyword:
Remote sensing
Multi-view stereo
3D reconstruction
Depth estimation