Point-MVSNet：基于多視角的點云重建網絡

Point-MVSNet的大致流程如下：1）首先生成一個粗略的深度圖（通過MVSNet，這是另一篇文章提出的網絡結構，不過它是通過cost volume的方式進行重建的）。2）然后把深度圖轉換為點云，再通過事先生成的深度圖與ground truth之間的差值，通過迭代的方式進一步優化點云。Point-MVSNet的亮點為，該網絡把3D幾何先驗知識和2D紋理信息融合到一個叫做特征增強點云中（feature-augmented point cloud），然后在為每一個點估計它的3D flow（什么是3D flow，難道是一個點的3D屬性的抽象表示？？？）

粗略深度圖預測論文采用MVSNet模型來生成一個粗略的深度圖。通過給予MVSNet圖片和相關的相機參數，MVSNet生成一個3D cost volume（代價塊），所謂代價塊，是指每一個像素其實都有一個代價值，這個代價是通過代價聚合（cost aggregation）的方式計算來的，假想此處有一個WxHxD的三維矩陣，W和H分別是圖像的寬高，D是深度范圍（一般這個D都是在實驗中，假定的一個范圍比如5-10之類的），這個三維矩陣的每一個值都是一個像素點在不同深度值下的代價，如果說某一個像素點在的深度值下，它的代價最小，那么就取作為該像素點的深度值，每一個像素點的深度值確定了之后，這張圖片的深度圖也就確定了。2D-3D特征融合在網絡里面使用的點特征是由從多尺度條件下提取出來的圖像2D特征和歸一化的3D坐標組成的，這就是所謂的2D-3D特征融合。這里的2D特征就是通過卷積網絡金字塔結構，提取出多尺度的圖像特征，賦予每個點更大的感受野和上下文信息，一張圖?=[??1,??2,??3] ，這些不同尺度下的特征圖是需要融合在一起，再去和坐標信息融合的。而且這里還不止一張圖片，是不同角度的多張圖片，每一張圖片還提取出了多尺度的特征圖，融合不同角度的圖像特征使，需要用到不同角度的相機參數，這樣才能把特征圖wrap到一個統一的方向（就是一些旋轉矩陣和平移向量組成的相機外參以及相機內參，再和特征圖做矩陣乘法）。多張圖片在同一個尺度下的特征融合公式如下：

文中提到的動態特征提取的意思就是，得出來的Cp輸入到point flow中，得到深度殘差，然后這個深度殘差往回輸入到點云中，進一步更新點云的位置，然后再通過更新后的點云輸入到point flow得到深度殘差。這個過程文中迭代了兩次。

PointFlow是論文中的核心模塊，工作內容為為unprojected point點（通過深度圖外加相機參數，通過非映射的方式生成的點）生成一系列假設點，利用這些點構造出一個有向圖，在進行邊卷積進一步提取鄰域特征。然后經過MLP判斷unprojected point的偏移位置，偏移向量由各假設點帶權平均得到。

假設點的生成（Point Hypothesis Generation）

對每一個unprojected point都會沿著參考相機的方向生成一系列不同偏移的點（就是在投影出來的點的前前后后生成一些點）。公式如下：

? t代表參考相機的方向，s代表偏移距離。最后會有2m+1個假設點。

邊卷積（Edge Convolution）

如上圖所示，論文通過KNN的方法生成一個有向圖。邊卷積可以先簡單理解為提取出邊的特征（后面研究DGCNN的時候再做詳細記錄）。

如上圖所示，邊卷積過后的點云跳連接到一起。

Flow Prediction

如上圖所示，Point Flow輸入增強點云，輸出深度殘差圖。內部使用了三個EdgeConv層來聚合不用尺度下的點特征（特征金字塔剛好也是3層），再通過快連接把EdgeConv的結果組合成一個局部點特征。最后通過MLP來轉換點特征，輸出每一個unprojected point在假設點上的概率值，最終的unprojected point的偏移是由每一個假設點帶權平均得到的。

Training loss

損失函數的公式如下所示： ? 代表迭代次數