【论文阅读】14-Accurate Multiple View 3D Reconstruction Using Patch-Based Stereo for Large-Scale Scenes

0 basic information

Shen S . Accurate Multiple View 3D Reconstruction Using Patch-Based Stereo for Large-Scale Scenes[J]. IEEE Transactions on Image Processing, 2013, 22(5):1901-1914.
1

1 characteristic

1. patch-matching + refinement — accurancy
2. computation --speed ???
3. image parallelizing

2 method–patch-based stereo matching

2.0 patch-matching 参考& 改进

1. 参考论文：

“PatchMatch Stereo - Stereo Matching with Slanted Support Windows ”

2. 改进点：

• 平面表示的方式及坐标系
• 简化

（the paper VS 参考论文 ）

1. NCC – adjust weight neighboring pixels within
   correspondence views ???
2. Space aggregation – space + view + temporal
3. Refinement – left/right consistency

2.1 pair selection

1. 从reference image i的邻居view中选择最佳的correspondding view j

reference image i --- N ( i) ------- image j
1

2. 选择要求及量化方式：

• similar viewing direction–average [ sita （同名光线夹角）]
• suitable baseline–Distance(相机中心Ci_Cj)

3. 具体操作步骤：

• 选择 sita满足阈值，且diatance满足关于mean(distance)的 view ，得到N（i）–neighboring views

• 选择 sita* distance min ，得到 best matching view: image j

2.2 depth map computaion

1. supporting plane( each pixel):
   基于相机坐标系，根据3D point + normal 表示该平面
2. 初始化： 大量随机(normal在一定范围内随机)—ensure get good initial at least one
   (计算完image i后，imge j 的初始化可根据视图传递得到较优初值，空间传递值 vs 随机，得到较优初值）

PS ：normal在一定范围内随机—–结合patch 在camera visibility（见下图）

3. 平面参数优化–深度值计算

每个迭代过程

遍历每个像素，迭代更新平面参数，使得aggregation cost min 并判断是否满足阈值要求，作为有效参数估计

aggregation cost： 采用NCC (between image i and image j) ---enough for high resolution image ----相对于原论文的改进点1

迭代过程：基本同参考论文
1
2
3
4
5
6
7

2.3 depth refinement

1. 核心思想：the consistency over neighboring views
2. 量化指标： depth difference (measurement & projection)

Image i 中each pixel 对应X
d(X，Nk)----X与N(i)相机位置的距离–measurement，
d’(X，Nk)—将X投影到Nk的depth map上得到的深度值–projection

3. refinement 的具体方式

判断d & d’差异（阈值），并根据满足要求的d &d’在N（i）中具体的个数，判断是否remove/keep

2.4 depth merging

1. 关键点：
   去除冗余(见下图)后直接project 得到 dense 3D point cloud：
   

3 result & other

1. 和当前的方法对比： ours & PMVS & DAISY

2. Parallelizing

3. Assume memory

4. benchmark data
   Fountain-P11 and Herz-Jesu-P8

5. 定量化评价指标：
   The depth maps( density point cloud – depth map) VS the ground truth( LIDAR SCAN triangle mesh – depth map)
   

6. 参数分析（实验证明有效参数选择的原因）

7. 实验分析每一个步骤处理的有效性（定量指标说明）

8. 算法时间\speed比较