今天要介绍的论文是来自苏黎世联邦理工学院、南洋理工大学等机构的研究者们发表在 IEEE TPAMI 2025 上的工作。该研究创新性地将近期在生成任务中大放异彩的 扩散模型（Diffusion Model） 引入了多视图立体（Multi-View Stereo, MVS）领域，提出了一种全新的 MVS 框架。

基于此框架，论文推出了两种新方法：DiffMVS 和 CasDiffMVS。这里的 "Diff" 代表 "Diffusion"，"Cas" 代表 "Cascade"，表明了其技术核心。DiffMVS 旨在实现极致的效率，在运行时间和 GPU 内存方面达到业界顶尖水平；而 CasDiffMVS 则追求最高的精度，在多个主流 MVS 基准测试（如 DTU, Tanks & Temples, ETH3D）上均取得了 SOTA（State-of-the-Art） 的性能。

这项工作通过将深度图细化过程建模为条件扩散过程，并设计了一系列创新模块，成功地平衡了三维重建的效率与精度，为 MVS 领域带来了新的思路和强大的基线模型。

论文标题： Lightweight and Accurate Multi-View Stereo with Confidence-Aware Diffusion Model

作者： Fangjinhua Wang, Qingshan Xu, Yew-Soon Ong, Marc Pollefeys

机构： 苏黎世联邦理工学院，南洋理工大学，新加坡科技研究局（A*STAR），微软

论文地址： https://arxiv.org/abs/2509.15220

代码地址： https://github.com/cvg/diffmvs

录用信息： Accepted to IEEE TPAMI 2025

研究背景与意义

多视图立体（MVS）技术旨在从不同视角的校准图像中重建场景的三维几何，是机器人、自动驾驶、虚拟/增强现实等领域的关键技术。

传统的学习式 MVS 方法通常采用“深度估计+深度图融合”的流程。为了提高效率和精度，许多先进方法采用“从粗到细”（coarse-to-fine）的策略：首先在低分辨率下估计一个粗略的深度图，然后逐步在高分辨率下进行细化。然而，这种策略高度依赖初始粗略深度图的质量，一旦初始估计出错，后续的细化过程很难纠正，容易陷入局部最优。

近年来，扩散模型作为一种强大的生成模型，通过从随机噪声中迭代去噪来恢复数据样本，在图像生成等任务上取得了巨大成功。其引入随机扰动的特性，天然具有跳出局部最优的能力。

作者受到启发，思考能否将扩散模型的这种“去噪生成”范式引入 MVS 的深度细化过程，从而克服传统方法的局限性。然而，将用于生成任务的扩散模型应用于具有判别性质的深度估计任务，面临着三大挑战：

扩散条件： 如何为扩散过程提供有效的几何约束和引导？

扩散采样： 如何在采样过程中利用非局部信息以实现更精确的优化？

扩散效率： 如何在保证性能的同时，避免经典扩散模型（如大型U-Net）带来的高计算开销？

本文正是为了解决这些挑战，提出了一套完整的基于条件扩散模型的 MVS 框架。

核心方法

论文提出的新框架包含两个核心模块：深度初始化和基于扩散的深度细化。整个流程分为单阶段细化的 DiffMVS 和级联细化的 CasDiffMVS。

深度初始化

与许多 MVS 方法类似，该框架首先在一个较低的分辨率（例如1/8）下生成一个初始的粗略深度图。这一步通过构建一个轻量级的 3D 代价体（Cost Volume），并使用一个 3D U-Net 进行正则化来完成，为后续的细化提供一个起点。

基于扩散的深度细化

这是本文最核心的创新。作者将深度图的细化过程建模为一个 条件扩散过程。它不是从纯噪声开始，而是从一个带噪声的粗略深度图出发，通过迭代去噪来预测深度残差，从而逐步逼近真实的深度值。

为了实现高效且准确的细化，作者设计了三个关键组件：

1. 条件编码器（Condition Encoder）

为了让扩散模型理解几何信息，作者设计了一个条件编码器。它融合了三种关键信息作为引导扩散过程的条件：

几何匹配信息： 从局部代价体中提取。

深度上下文特征： 从当前的深度假设中提取。

图像上下文特征： 从参考图像中提取，提供场景的语义信息。

通过这种方式，扩散模型不仅能感知局部像素的匹配程度，还能利用长距离的上下文信息，从而在弱纹理或遮挡区域做出更鲁棒的估计。

2. 轻量级扩散网络

传统的扩散模型通常使用庞大的 U-Net 结构，计算成本高。为了提高效率，作者提出了一个新颖的扩散网络，它巧妙地将一个轻量级的 2D U-Net 与 卷积门控循环单元（Convolutional GRU, ConvGRU） 结合起来。ConvGRU 能够以迭代的方式更新隐藏状态，有效捕捉时序（在本文中是迭代细化步骤）信息，从而在单个扩散时间步内实现多次细化更新。这种设计既提升了性能，又避免了堆叠多个大型 U-Net 带来的高昂计算开销。

3. 基于置信度的采样策略

为了更智能地探索深度假设空间，作者提出了一种基于置信度的自适应采样策略。在每次细化迭代中，模型会预测当前深度估计的置信度。

对于 高置信度 的像素（通常是估计得比较准的），采样范围会缩小，以进行精细微调。

对于 低置信度 的像素（可能估计错误），采样范围会扩大，以增加找到正确深度值的机会。

这种自适应策略使得模型能够将计算资源集中在最需要的地方，有效地提供了优化所需的一阶信息，加速了收敛并提升了精度。

上图展示了参考图像、预测的深度图、深度误差图和置信度图。可以看到，置信度图（右下）能够很好地反映深度误差的分布（左下），高置信度区域（亮色）对应着低误差区域。

实验与结果分析

作者在三个主流的 MVS 数据集上对提出的 DiffMVS 和 CasDiffMVS 进行了全面评估，并与当前最先进的方法进行了比较。

在 DTU 数据集上的表现

DTU 是一个经典的室内场景 MVS 数据集。如下表所示，CasDiffMVS 在“Overall”指标上取得了极具竞争力的结果，超越了许多经典的 SOTA 方法。而 DiffMVS 作为一个单阶段细化方法，其性能也超过了同样是单阶段细化的 IterMVS，并逼近许多更复杂的多阶段方法。

在 Tanks & Temples 和 ETH3D 上的泛化能力

Tanks & Temples 和 ETH3D 是更具挑战性的大规模真实世界场景数据集，用于测试模型的泛化能力。

在 Tanks & Temples 数据集上，CasDiffMVS 在中级和高级子集上均取得了 SOTA 性能，其 F-score 显著优于其他方法。

下图展示了在 Tanks & Temples 上的定性比较，CasDiffMVS (Ours) 生成的三维点云（最右列）在完整性和细节上都优于其他方法，例如在 "Horse" 场景中马腿部分的重建以及 "Temple" 场景中廊柱的完整性。

在同样具有挑战性的 ETH3D 数据集上，CasDiffMVS 再次展现了其卓越的性能，在训练集和测试集上的 F1-score 均达到了 SOTA 水平。

下图为 ETH3D 上的定性结果，无论是在室内 "Relief" 场景还是室外 "Terrace" 场景，CasDiffMVS 的重建结果（最右列）都更加准确和完整。

效率对比

效率是 MVS 方法在实际应用中的一个关键考量。如下图所示，DiffMVS 在运行时间（横轴）和 GPU 内存消耗（纵轴）方面表现出 最佳 的效率，远超其他 SOTA 方法。即使是追求高精度的 CasDiffMVS，其效率也与 PatchmatchNet 相当，但性能却遥遥领先。

下图进一步分析了不同方法在各个模块上的耗时。可以看到，CasDiffMVS 在特征提取和深度推断阶段都比基于 Transformer 或 3D CNN 的方法（如 TransMVSNet, CasMVSNet）快得多，这得益于其轻量化的网络设计。

消融实验

作者通过一系列消融实验验证了各个设计模块的有效性。

扩散模型的有效性： 移除扩散过程后，模型性能在 DTU 和 ETH3D 上分别下降了 3.2% 和 5.6%，证明了扩散机制的核心贡献。

扩散条件的有效性： 移除代价体、深度上下文或图像上下文等任何一个条件，都会导致性能显著下降，说明了多信息融合引导的重要性。

置信度采样的有效性： 与单样本或固定范围采样相比，基于置信度的自适应采样策略能带来明显的性能提升。

网络结构的有效性： 与单个 U-Net 或堆叠 U-Nets 相比，本文提出的 U-Net+ConvGRU 结构在性能和效率之间取得了最佳平衡。

此外，实验还表明，模型对 DDIM 采样步数、噪声尺度和随机种子等超参数具有较好的鲁棒性。

总结与贡献

本文 首次 将扩散模型成功引入多视图立体（MVS）领域，并提出了一个新颖、高效、准确的深度估计框架。

主要贡献可以总结为：

提出新框架： 提出了一个基于条件扩散模型的 MVS 框架，将深度细化表述为去噪过程，有效避免了传统方法的局部最优问题。

提出两种新方法：

DiffMVS： 实现了 SOTA 级别的运行效率和低内存占用，适用于对实时性要求高的场景。

CasDiffMVS： 在多个主流 MVS 基准上取得了 SOTA 的重建精度。

设计新模块： 提出了轻量级的条件编码器和扩散网络（U-Net + ConvGRU），以及置信度感知的自适应采样策略，共同保证了模型的高性能和高效率。

开源贡献： 论文 已经开源了代码，为社区提供了强大的新基线，将推动 MVS 领域的进一步发展。

总而言之，这项工作不仅在性能上取得了突破，更重要的是为 MVS 领域探索了一个全新的、富有潜力的技术方向。CV君认为，将生成模型思想与判别任务相结合的思路非常值得借鉴，未来可能会有更多工作沿着这个方向展开。

了解最新 AI 进展，欢迎关注公众号:我爱计算机视觉感谢点赞支持。