후보를 반복해서 다루기
모든 깊이 후보의 큰 볼륨을 정규화하는 대신 일부 후보를 활용하는 패치매치의 접근을 학습 가능한 구성으로 만든다. 여러 해상도 단계의 반복 과정에서 후보를 전파하고 평가한다. 기존 패치매치 알고리즘을 그대로 실행하는 것과는 구분된다.
이웃 후보의 예
같은 벽 위의 한 위치에서 깊이 4m라는 후보가 좋았다면 근처 위치에서도 이 값을 조사할 수 있다. 하지만 벽 옆의 기둥은 깊이가 다를 수 있어 모든 이웃에 같은 값을 복사하면 안 된다. 전파와 후보 평가가 함께 필요한 이유를 설명하는 예다.
적응적인 전파와 평가
각 반복에서 어떤 정보를 전파하고 후보를 어떻게 평가할지 학습하는 구성을 사용한다. 공간적으로 가까운 정보만 기계적으로 동일하게 취급하지 않으려는 접근이다. 선택한 후보가 정답 근처에 있는지와 영상 사이에 실제 대응 정보가 있는지가 결과에 영향을 준다.
효율과 완전성
메모리와 처리 부담을 줄이는 목적은 고해상도 입력 활용에 도움이 될 수 있다. 그러나 입력이 커졌다고 모든 세부가 정확하게 복원되지는 않는다. 깊이 오차와 공간 복원의 빠진 부분을 함께 보고 해상도와 시점 수 및 장치 조건을 맞춰 속도를 비교한다.
관련 문서
CasMVSNet / MVSNet / R-MVSNet / MVSNeRF / DUSt3R / RAFT-Stereo