基于非局部自适应假设传播的多视角立体匹配算法研究

本文提出了一种创新的非局部自适应假设传播(NAP)方案，通过棋盘格八方向均匀采样和自适应传播策略(APS)，有效解决了多视角立体匹配(MVS)中低纹理区域因光照变化导致的色彩偏差问题。该方案显著提升了现有PatchMatch算法在反射面、透明体等挑战性场景中的重建完整性，实验证明其在ETH3D等基准数据集上优于现有传播方案。

　　

Highlight亮点

假设传播作为基于PatchMatch的多视角立体匹配(MVS)核心组件，其性能直接影响重建效果。传统方法依赖局部区域的光度一致性指导传播，但在低纹理区域（如反光/折射表面）易因色差陷入局部最优。我们提出的非局部自适应传播方案通过棋盘格八方向采样获取可靠初始假设，再基于匹配代价自适应传播至非棋盘区域，显著提升挑战性区域的重建表现。

Introduction引言

多视角立体匹配(MVS)是从多幅图像获取物体表面几何信息的前沿技术。当前基于PatchMatch的MVS方法在低纹理区域面临重大挑战——这些区域因单色、反光或折射特性导致光度一致性不可靠。现有传播方案（序列传播/类扩散传播）仅关注局部假设，而我们的非局部自适应假设传播(NAP)方案通过两大创新：1）棋盘八方向均匀采样提供可靠初始假设；2）自适应传播策略(APS)跨区域传递可靠假设，有效解决这一难题。

Section snippets节选

Related work相关工作

现有MVS方法可分为四类：基于体素(voxel-based)、表面演化(surface evolution-based)、深度学习(learning-based)和基于PatchMatch的方法。其中PatchMatch类方法通过假设传播机制显著提升深度估计精度，但传统方案如Xu等提出的自适应棋盘采样仍受限于局部传播。

Non-local adaptive hypothesis propagation非局部自适应假设传播

我们创新性地将传播过程分为两阶段：首先在棋盘格八方向建立"假设种子库"，随后通过匹配代价驱动的自适应机制，将优质假设像"智能灌溉系统"般精准输送至低纹理区域。这种"跨区域输血"策略突破了传统局部传播的局限性。

Experimental data实验数据

在ETH3D（6048×4032高分辨率）、Urban Drone Dataset和Tanks and Temples等基准测试中，方案对反光玻璃、光滑墙面等挑战性场景的重建完整度提升达37.6%，犹如为三维重建装上了"纹理盲区导航仪"。

Conclusion结论

本工作提出的假设传播方案如同为MVS系统植入了"非局部视觉感知器"，通过建立跨区域假设传递通道，使重建算法在低纹理区域获得"全局视野"。实验证明该方法能显著提升现有顶尖算法的点云完整度，为复杂场景三维重建提供新范式。