Page 302 - 《软件学报》2025年第4期

1708 软件学报 2025 年第 36 卷第 4 期

表 4 有监督多视图立体视觉方法在数据集上的性能

Tanks and Temples DTU
方法
Mean (%) Accuracy (mm) Completeness (mm) Overall score (mm)
MVSNet [15] 43.48 0.396 0.527 0.462
MVSCRF [24] 45.73 0.371 0.426 0.398
P-MVSNet [55] 55.62 0.406 0.434 0.420
RMVSNet [52] 50.55 0.385 0.459 0.422
CasMVSNet [48] 56.42 0.325 0.385 0.355
CVP-MVSNet [25] 54.03 0.296 0.406 0.351
Fast-MVSNet [56] 47.39 0.336 0.403 0.370
MVSNet++ [83] 49.12 0.376 0.345 0.407
[40]
PatchmatchNet 53.15 0.427 0.277 0.352
2 [29]
D HC-RMVSNet 59.20 0.395 0.378 0.386
[49]
UCSNet 54.83 0.338 0.349 0.344
[22]
SurfaceNet+ 49.38 0.385 0.448 0.416
[54]
HighRes-MVSNet 49.81 0.354 0.393 0.373
[26]
AA-RMVSNet 61.51 0.376 0.339 0.357
[36]
MVSTR 56.93 0.356 0.295 0.326
[37]
LANet 55.70 0.320 0.349 0.335
[35]
TransMVSNet 63.52 0.321 0.289 0.305
[44]
MVSTER 60.92 0.350 0.276 0.313
[57]
IterMVS 56.22 0.373 0.354 0.363
[43]
UniMVSNet 64.36 0.352 0.278 0.315
[45]
WT-MVSNet 65.34 0.309 0.281 0.295
[38]
MVSFormer-H 66.37 0.327 0.251 0.289

0.396
表 5 无监督和自监督多视图立体视觉方法在数据集上的性能

Tanks and Temples DTU
方法
Mean (%) Accuracy (mm) Completeness (mm) Overall score (mm)
Unsup_MVS [16] － 0.881 1.073 0.997
MVS 2[59] 37.21 0.760 0.515 0.637
3
M VSNet [61] 37.67 0.636 0.531 0.583
Self-supervised-CVP-MVSNet [62] 46.71 0.308 0.418 0.363
SurRF [84] 54.36 0.388 0.390 0.389
JDACS [65] 45.48 0.571 0.515 0.543
U-MVS [63] 57.15 0.354 0.353 5 0.353 7
PatchMVSNet [64] 40.26 0.538 0.365 0.451
RC-MVSNet [70] 55.04 0.295 0.345
KD-MVS (CasMVSNet) [66] 64.14 0.359 0.295 0.327

表 4 以时间顺序列出有监督的模型, 可以看出以下几点.
(1) 近几年提出的大多数模型的精度和完整度较高, F-score 与最初的模型相比也有显著的进步, 这表明该领
域的发展十分迅速.
(2) 多视图立体视觉的一个难点之一是如何有效地重建弱纹理或无纹理区域. 这部分区域的特征较为不明显,
通过多尺度上下文信息和图像的特征关系, 并结合空间维度上的信息, 能够增强对特征的提取.