CVP-MVSNet全文名为“Cost Volume Pyramid Based Depth Inference for Multi-View Stereo”，主要创新点在于使用由粗到细（coarse-to-fine）模式来构建代价体金字塔（cost volume pyramid），流程如下：

（1）构建不同分辨率的L+1层图片金字塔（Image Pyramid），首先用最低精度L+1层的N张图像基于MVSNet流程推断深度图D^L+1，上采样得到L层的初始深度图D^L
（2）以该初始深度图D^L为基础、结合L层的N张图像，通过重投影的方式构建一个局部代价体（partial cost volumes）并依次推断出初始深度图D^L上各像素的残差深度（residual depth，即相对于初始深度的Δd），相加之后得到当前L层的最终深度图D^L
（3）不断重复第（2）步直至推断出最终第0层即原始尺寸的深度图

---

本文是MVSNet系列的第4篇，建议看过【论文精读1】MVSNet系列论文详解-MVSNet之后再看便于理解。

一、问题引入&创新点

这篇论文主要是提高精度的同时，解决基于学习方法完成MVS重建时的时效问题，指出优化后的RMVSNet虽然减少了内存消耗但导致时间变长，而与本文思路类似的Point-MVSNet虽然也coarse-to-fine迭代优化深度图，但由于直接在点云上操作耗时也较长。

创新点主要概括为两点：

• 以coarse-to-fine方式构建代价体金字塔，实现一个比Point-MVSNet快6倍的MVS深度推断网络，且消耗内存较少。
• 在构建代价体金字塔的每一层，尤其是第一层之后来构建局部代价体时使用到残差深度搜索范围（即相对初始深度要在多大范围上搜索Δd），并给出该搜索范围选取与图像分辨率关系的详细分析。

二、论文模型

1.特征金字塔

首先构建图像金字塔，并使用一个共享参数的9层卷积神经网络（Leaky-ReLU作激活函数）来提取特征，输出通道数为16，宽高尺寸为[W/2^l，H/2^l]，组成特征金字塔供接下来使用。

2.代价体金字塔

2.1 用于粗略深度图估计的代价体（第L+1层）

这一步就是标准MVSNet推断流程，值得一提的是论文解释了单应矩阵H作用：描述了参考视图上像素x与源视图i上像素x_i的可能对应关系，即可以表述为λ_ix_i=H_i(d)x，λ_i代表x_i在源视图i下的深度。

2.2 用于多尺度深度残差估计的代价体（第L层-第0层）

首先在2.1中我们得到了第L+1层的深度图D^L+1，将其上采样得到第L层的初始深度图D^L+1 _↑，该步骤的目的是得到结合了残差深度估计的第L层最终深度图D^L=D^L+1 _↑+ΔD^L。
随后重复该步骤至第0层得到最终深度图。

---

这一步是核心步骤，这张图一定要看懂！

首先，对于2.1上采样后的初始深度图D^L+1 _↑，我们定义第L层图像上像素点p(u,v)深度为d_p=D^L+1 _↑(u,v)。

下图是该操作的两个步骤，左边为重投影操作，右边为提取特征和构建局部代价体的操作。

2.2.1 左边重投影过程

依据当前点p的初始深度找出对应3D点（绿色），加、减一个值作为最远和最近的、可能真实3D点（紫色、红色），残差搜索深度s_p就是指紫色点和红色点之间的距离（该范围选定方法将在3.1详细解释），残差深度平面就是在中间划分M个可能的深度值平面，此时残差深度平面的距离间隔为Δd_p=s_p/M，M个可能3D点的深度值为（D^L+1 _↑(u,v)+mΔd_p），其中m∈{-M/2, … ，M/2-1}。
【可以理解为以初始深度为起始点，初始深度加、减s_p/2为可能的3D点最远、最近深度，这也是Δd_p残差深度的含义】

此时对于当前参考视图下的像素点p，我们可以将其M个不同深度的可能3D点的按照以下公式投影，在一张源视图下得到M个深度对应的特征，如图上设置的紫色、绿色、红色三个深度点在各个源视图下都对应了一个特征。

2.2.2 右边构建局部代价体

右边便是将这些不同深度的可能3D点投影后的特征做方差，并将方差值作为像素点p在该深度的代价值；由于有M个假设深度，共HxW个像素点，因此便构成了[H,W,M]的局部代价体，将其通过同样的3D CNN之后便可以推断出这个残差深度Δd。

【这里和MVSNet构建代价体都使用方差法，只不过MVSNet是通过假设一系列深度值，将各源视图上的像素特征通过单应矩阵H变换到对应的深度、某个应该在的像素处，而这里是通过假设真实3D点位置来找到各源视图上该点的特征——即MVSNet是将特征从源视图变到参考视图下某个像素处，本文是从参考视图像素点找源视图对应的特征】

3.深度图推断

3.1 代价体金字塔的深度采样

论文观察到对于假设深度平面的采样应该与图像分辨率有关——如上图所示，太过密集的深度采样会导致3D点投影后的图像特征过于紧密、且并未提供额外的深度推断信息，因此是没有必要的。

因此，论文首先使用像素点p的初始深度值找到对应的3D点（绿色），将其投影至各源视图，沿级线方向（利用极限搜索原理，之前说过*********）搜索左右两个方向上离投影点2像素(?)远的像素点，并将其重投影至3D射线，此时两射线与参考视图的深度方向交集就是搜索深度。

原文：find points that are two pixels away from the its projection along the epipolar line in both directions(see Fig. 3 “2 pixel length”),
按原文意思应该是左右像素点都是离投影点2像素？那图中标识的应该是4 Pixel length才对

3.2 深度图推断

之后便与MVSNet一样把代价体放入3D卷积网络中聚合上下文信息并输出概率体，由概率体通过soft-argmax求期望得到深度图，特殊之处在于代价体是沿着金字塔自上而下构建的，每次得到的该层最终深度图（除第L+1层）都应该按以下公式计算：

即上采样的深度+该层的局部代价体所得概率体推断出的期望残差深度

4.损失函数

与MVSNet一致，对每层深度图与真实深度求l1损失求和作为loss.

三、总结

• 图画的很好看
• 构思比较巧妙，用图像由粗到细做肯定比在点云上操作快，先得到小尺寸初始深度图，然后不断上采样再加残差深度迭代至最后深度图，求残差深度的局部代价体构建其实还是MVSNet的方差法，但是寻找特征的思路与MVSNet相反。
• 对于如何选取残差采样深度给出了详细的思考和分析，由投影点跟左右2像素点反投影至射线来作为搜索深度，理由是图像上点太密的话其实无法提供额外信息，从而减少了采样数过多带来的内存消耗问题，这个深度采样的大小、方式在P-MVSNet里也做了改进，但其inverse-depth设置并没有仔细讲，跟本文最后的3D卷积网络一样说是在supplyment material里，不过说明这块还是可以做文章创新点的。