다중 뷰 스테레오 재구성(Multi-view stereo Reconstruction, MVS Reconstruction)의 목표는 알려진 카메라 매개변수를 가진 다중 시점 이미지 집합을 기반으로 장면의 3차원 모델을 재구성하는 것으로, 최근 몇 년간 3D 재구성의 주요 방법 중 하나입니다. 본 논문에서는 최신 딥러닝 기반 MVS 방법 약 백여 가지에 대한 체계적인 알고리즘 평가 및 비교를 수행하였습니다. 우선, 기존의 감독 학습 기반 MVS 방법에 대해, 특징 추출, 비용 부피 구성, 비용 부피 정규화 및 깊이 회귀의 재구성 과정에 따라 각 알고리즘을 정리하고, 비용 부피 구성과 정규화 두 단계의 개선 전략을 중점적으로 요약하였습니다. 비감독 MVS 방법에 대해서는 각 알고리즘 손실 항 설계를 분석하고 학습 방식에 따라 분류하였습니다. 다음으로, MVS 방법에서 일반적으로 사용되는 실험 데이터셋과 해당 성능 평가 지표를 정리하고, 특징 피라미드 구조, 주의 메커니즘, 조악에서 정밀까지 전략 도입이 MVS 네트워크 성능에 미치는 영향을 연구하였습니다. 또한 MVS 방법의 구체적인 응용 분야로서 디지털 트윈, 자율 주행, 로봇 기술, 유산 보호, 생물 과학 등을 소개하였습니다. 마지막으로 MVS 개선 방향에 대한 제안을 제시하고 다중 뷰 3D 재구성의 미래 기술 난제 및 연구 방향을 논의하였습니다.

다중 뷰 스테레오; 3D 재구성; 딥러닝; 깊이 추정; 호모그래피 변환