买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉厦门大学申请的专利基于自适应学习和聚合的多视图立体重建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115631223B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211183328.2，技术领域涉及：G06T7/593；该发明授权基于自适应学习和聚合的多视图立体重建方法是由陈祥;董继扬;张晓燕;石浩;罗攀;韩超;廖加铭设计研发完成，并于2022-09-27向国家知识产权局提交的专利申请。

本基于自适应学习和聚合的多视图立体重建方法在说明书摘要公布了：本发明涉及一种基于自适应学习和聚合的多视图立体重建方法，它包括以下步骤：S1.特征提取，从输入图像中提取图像特征，将众多信息中不重要的信息剔除；S2.匹配代价构建，在每个采样深度假设下，计算参考摄像机中的每个像素与其相邻摄像机对应匹配像素之间的匹配成本；S3.匹配代价正则化，对匹配代价中的代价体进行去噪处理；S4.深度图估计，将匹配代价正则化后的结果利用函数回归加权得到初始深度图；S5.深度图优化，将初始深度图的边缘部分减轻过平滑的影响。本发明的目的在于提供一种基于自适应学习和聚合的多视图立体重建方法，相比MVSNet有着更高的重建精度和完整度，并且极大降低时间消耗和显卡内存消耗。

本发明授权基于自适应学习和聚合的多视图立体重建方法在权利要求书中公布了：1.一种基于自适应学习和聚合的多视图立体重建方法，它包括以下步骤： S1.特征提取，从输入图像中提取图像特征，将众多信息中不重要的信息剔除，只保留场景关键信息； S2.匹配代价构建，在每个采样深度假设下，计算参考摄像机中的每个像素与其相邻摄像机对应匹配像素之间的匹配成本； S3.匹配代价正则化，对匹配代价中的代价体进行去噪处理； S4.深度图估计，将匹配代价正则化后的结果利用函数回归加权得到初始深度图； S5.深度图优化，将初始深度图的边缘部分减轻过平滑的影响； 其特征在于，步骤S1中构建多尺度特征聚合提取器，多尺度特征聚合提取器包含三个卷积单元，每个卷积单元由三层卷积层组成，除最后一个卷积层外，前面两个卷积层后面均紧跟着一个批量归一化层和一个ReLU激活函数层； 每幅输入图像均会生成三个大小分别为H4xW4、H2xW2和HxW的特征图，之后将三个尺度的特征图分别输入可变形卷积层处理；当输出H4xW4大小的特征图时，将其他两个尺度的特征图分别下采样至H4xW4；接着将三个尺度的特征图沿着特征维度进行拼接，得到多尺度聚合后的特征图，其分辨率为H4xW4x64； 其他分辨率以此类推，最终输出特征图分别为H4xW4x64、H2xW2x64和HxWx64； 步骤S2中将特征图和相应相机的内外参数结合起来，使用单应性变换构建三维空间的匹配代价； 给定一张参考图像和一系列源图像集合S，S定义为： ； 其中N表示输入图像的数量，H和W分别是图像的高度和宽度； 以参考图像为基准，使用单应性变换将第i个视角对应的特征图变换为与参考图像对应的特征图平行的平面，单应性变换公式如下： ； 其中，为参考图像，为与进行多视角立体匹配的匹配视图，为各个视图对应的相机内参数、旋转矩阵和平移向量，d为深度范围内的均匀采样值，为参考图像对应相机的主轴线，上标T为矩阵里面的转置,I为单位矩阵； 接着利用单应矩阵建立源图像和参考图像的特征映射之间的对应关系，公式如下： ； 其中，表示源图像特征图映射至参考图像视角后的特征图； 再计算与相似性，以此来衡量两个视角的匹配程度，定义为以下等式： ； 其中，表示内积，的维度为WxHxDxC； 得到逐视角代价体后通过一个三层的三维卷积网络，最后一层输出通道维度为1，再通过sigmoid函数，将代价体转换成各个像素可见性概率图； 最终将每个匹配代价体乘以一个权重值后求和得出最终聚合的匹配代价体，聚合匹配代价定义为： ； 其中表示源视图和参考视图之间的像素可见度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。