ZipMVS: Multi-View Stereo with Compressed Cost Volumes

📄 arXiv: 2608.28033v1 📥 PDF

作者: Guanglin Jin, Hongshan Yu, Javier Civera, Zhaoxin Li

分类: cs.CV

发布日期: 2026-08-28

备注: 14 pages, 8 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出ZipMVS以解决多视角立体重建中的内存消耗问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 多视角立体重建 深度假设 代价体积压缩 GPU内存优化 高效重建 计算机视觉 3D重建

📋 核心要点

  1. 现有的多视角立体重建方法在内存消耗上存在显著挑战，限制了其在资源受限环境中的应用。
  2. ZipMVS通过引入新颖的深度假设策略，显著压缩了代价体积，降低了GPU内存的使用。
  3. 实验结果表明，ZipMVS在DTU和Tanks and Temples数据集上实现了与其他高效MVS方法相当的重建质量。

📝 摘要（中文）

多视角立体重建（MVS）方法通常能够从多个注册的RGB图像中提供高精度的3D重建，得益于它们之间的几何约束。然而，巨大的内存需求仍然是其在航空航天和自主系统等资源受限领域应用的主要障碍。本文提出了ZipMVS，一种专为高效高质量重建设计的MVS方法。我们提出了一种新颖的深度假设策略，显著压缩了代价体积，从而大幅降低了GPU内存消耗，同时保持了重建精度。在DTU和Tanks and Temples数据集上的实验表明，ZipMVS在重建质量上与其他高效MVS方法具有竞争力，同时在重建质量和GPU内存使用之间实现了良好的平衡。

🔬 方法详解

问题定义：本文旨在解决多视角立体重建中高内存消耗的问题。现有方法通常需要大量GPU内存，限制了其在资源受限环境中的应用。

核心思路：ZipMVS的核心思路是通过一种新颖的深度假设策略来压缩代价体积，从而显著降低内存需求，同时保持重建的准确性。

技术框架：ZipMVS的整体架构包括数据预处理、深度假设生成、代价体积压缩和重建阶段。每个模块都经过精心设计，以优化内存使用和重建质量。

关键创新：最重要的创新点在于深度假设策略的引入，该策略有效地减少了代价体积的大小，与传统方法相比，显著降低了内存消耗。

关键设计：在设计中，采用了特定的参数设置和损失函数，以确保重建精度与内存使用之间的平衡，同时网络结构经过优化以适应压缩后的代价体积。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在DTU和Tanks and Temples数据集上的实验结果显示，ZipMVS在重建质量上与其他高效MVS方法相当，同时在GPU内存使用上实现了显著降低，展示了其在资源受限环境中的竞争力。

🎯 应用场景

ZipMVS的研究成果具有广泛的应用潜力，尤其是在航空航天、无人驾驶和机器人等领域。这些领域对资源效率有着严格要求，ZipMVS能够提供高质量的3D重建，同时显著降低内存消耗，推动相关技术的实际应用与发展。

📄 摘要（原文）

Multi-view stereo (MVS) methods typically deliver highly accurate 3D reconstructions from multiple registered RGB images, thanks to the highly informative, geometric constraints between them. However, their substantial memory requirements remain a major obstacle for deployment in domains such as aerospace and autonomous systems, where resource efficiency is critical. In this work, we introduce ZipMVS, an MVS method specifically designed for efficient high-quality reconstruction. We propose a novel depth-hypothesis strategy that enables substantial compression of the cost volume, hence greatly reducing GPU memory consumption while preserving reconstruction accuracy. Experiments on the DTU and Tanks and Temples datasets show that ZipMVS achieves competitive reconstruction quality compared with other efficiency-oriented MVS methods, while achieving a competitive balance between reconstruction quality and GPU memory usage. The code is available at https://github.com/JihnGlyn/ZipMVS