MVS深度图估计之后，需要融合成点云提交给benchmark来评测，而融合方式和实现版本多种多样，参数也丰俭由人，所以一直是trick高发区。今天来详解一下其中的dypcd融合。
该方法最初应该是由D2HC-RMVSNet提出，这篇文章是ECCV 2020的spotlight。该方法在tanks and temples上效果不错，后续逐渐被广泛使用。
这个融合主要有两个函数，一个是filter_depth，一个是check_geometric_consistency。本文会省去读取深度图保存点云等操作的解读，主要讲每个超参数被如何使用，它们怎样影响到点云融合结果。
这套融合方法，细究之下，其实有这些参数：
- s，指从几开始迭代
- e，指迭代到几结束
- dist_base绝对距离误差
- rel_diff_base相对距离误差
filter_depth
读取深度图，但是不是所有pixel都valid，需要判断超过conf置信度的才使用，所以我们首先有这么个光度一致性的mask。
confidence = read_pfm(os.path.join(out_folder, 'confidence/{:0>8}.pfm'.format(ref_view)))[0]
photo_mask = confidence > args.conf
接下来要有几何一致性了。
# compute the geometric maskgeo_mask_sum = 0dy_range = egeo_mask_sums = [0] * (dy_range - s)for src_view in src_views: # 10 views# camera parameters of the source viewsrc_intrinsics, src_extrinsics = read_camera_parameters(os.path.join(scan_folder, 'cams/{:0>8}_cam.txt'.format(src_view)))# the estimated depth of the source viewsrc_depth_est = read_pfm(os.path.join(out_folder, 'depth_est/{:0>8}.pfm'.format(src_view)))[0]masks, geo_mask, depth_reprojected, x2d_src, y2d_src, x2d_reprojected, y2d_reprojected = check_geometric_consistency(ref_depth_est, ref_intrinsics,ref_extrinsics, src_depth_est,src_intrinsics, src_extrinsics, confidence)geo_mask_sum += geo_mask.astype(np.int32)for i in range(s, dy_range):geo_mask_sums[i - s] += masks[i - s].astype(np.int32)
注意这里开始出现超参数了。对于每一个src视角，都会得到一个geo_mask，这个变量的含义是该像素在该视角的时候是不是几何一致的，而geo_mask_sum在不断的添加geo_mask，其实是在统计，这么些src视角当中，这个像素，在多少个视角哪是几何一致的。
这个最后从s到dy_range的循环当中，其实就是我们前面所说的从几开始迭代到几结束，因为dy_range=e在前面赋值了。这里的含义是，在某阶段i，有前i个view都满足条件。
再看后面的代码，会发现：
geo_mask = geo_mask_sum >= dy_rangefor i in range(s, dy_range):geo_mask = np.logical_or(geo_mask, geo_mask_sums[i - s] >= i)final_mask = np.logical_and(photo_mask, geo_mask)
这里geo_mask第一次赋值得到的是在mask累加之后要所有视角下都能满足几何一致性，这个条件是很严格的，如果只有这一步，那满足条件的点就太少了。因此，紧接着开始放宽松条件，逐步把更多的点纳入进来。这个逻辑或当中添加的像素，似乎在说如果前i个view能满足某种条件的数量足够多那也是可以的。那我们不禁好奇，这个check_geometric_consistency函数返回来的masks和geo_mask到底分别表示什么含义。于是我们顺理成章地进入到这一个函数中查看。
check_geometric_consistency
depth_diff = np.abs(depth_reprojected - depth_ref)relative_depth_diff = depth_diff / depth_refmask = Nonemasks = []for i in range(s, e):mask = np.logical_and(dist < i * dist_base, relative_depth_diff < math.log(max(i, 1.05), 10) * rel_diff_base)masks.append(mask)
在这里，我们发现，出现了新的超参数dist_base和rel_diff_base，这两个变量涉及到了重投影误差的threshold，即到底小于多少的绝对误差和相对误差才是可以被接受的。
通过循环我们发现，从s开始到e，base的倍数在不断加大，只有绝对误差和相对误差同时小于阈值的像素，才会被视为有效。而masks变量在不断记录的是：在当前i这个倍数下，哪些像素是符合该要求的。
观察返回值我们发现包括masks与mask，刚好对应了filter_depth里面的masks和geo_mask。可见，geo_mask对应的是：在最宽松的约束下（i为e-1的时候），哪些像素是可靠的；masks对应的是，在第i次迭代的时候（条件更严格的时候），哪些像素是可靠的。这些针对每个src view的统计最终被汇聚到了geo_mask和geo_mask_sums中，来表征在各个条件下，有多少个视角认为该像素可靠。
总结
通过这个分析，我们发现，该融合方法的整体思路是：在每个视角下，都按照从严格到宽松来不断纳入新的点，并且对每次迭代放宽条件之后的mask进行记录，最后把所有视角的mask综合到一起来判断。并且，综合判断的思路是，如果该像素在很严苛的范围内（比如绝对误差和相对误差都很小，i=2就满足了）满足条件，那它并不需要所有视角都赞同，相反地，如果误差越大，那么就需要更多的src view都支持它有效，才可以被纳入考虑。
除了距离base之外，迭代的起始与终止也会影响到融合。大体上描述的话，s设得越小，就越宽松，也对异常值越敏感，比如有2个view觉得啊对对对，但是其他view都觉得不行，也会被纳入有效；end设得越小，就越严格，虽然给予的base空间更大了，但是需要大多数都同意有效才可以。