16、高维空间模型下的连贯深度场

高维空间模型下的连贯深度场

在计算机视觉领域，无模板单目表面恢复（NRSfM）旨在通过二维点对应关系，利用运动和变形线索无监督地学习三维形状。本文将介绍一种新的高维空间模型（HDSM）及其相关方法，用于解决NRSfM问题。

1. 连贯深度场（CDF）的实验结果

1.1 合成序列

在合成人脸序列上，对TB、MP、VA和CDF四种方法进行了比较，结果如下表所示：
| 方法 | RMSE / s |
| ---- | ---- |
| TB [21] | 9.24 / 5.37 |
| MP [216] | 8.81 / 6.15 |
| VA [104] | 3.22 / 0.55 |
| CDF (ours) | 8.03 / 0.98 |

从表中可以看出，VA方法的平均均方根误差（RMSE）最小，CDF方法的标准差（s）最小，说明CDF方法在深度值的稳定性方面表现较好。

1.2 真实序列

在多个具有挑战性的真实世界图像序列上进行了实验，包括人脸、背部、心脏搭桥手术场景和腹部腹腔镜序列等。
- 人脸和背部序列 ：人脸序列的重建能够捕捉到眼睛开合等精细细节，背部序列的重建能够合理地捕捉到大规模的非刚性变形和旋转，整体重建效果非常逼真。
- 腹腔镜序列 ：该序列描绘了兔子腹腔的触诊过程，CDF方法成功地重建了场景，并提供了详细的变形分析手段。通过对重建点云进行网格化和着色，可以在虚拟飞行中直观地识别和分析组织的变形。
- 心脏序列