多视图立体视觉作为计算机视觉领域的重要研究课题,旨在从一系列已知相机参数的图像中恢复场景的稠密点云表征。由于其在三维打印、智慧城市、自动驾驶、文物保护和虚拟现实等领域的广泛应用,一直是研究领域的热点问题。然而,由于实际应用场景中数据规模巨大、弱纹理区域、遮挡部分、反射表面和重复模式等因素造成的影响,高效地重建出准确完整的稠密三维模型仍然是一个极具挑战性的问题。论文从不同层次线索出发,探索浅层图像线索、几何结构线索和深度特征线索对多视图立体视觉的作用,研究基于块匹配（Patch Match）的方法和深度学习的方法来解决多视图立体视觉问题。论文主要研究内容如下:首先,在浅层图像线索层面,针对多视图立体视觉难以同时兼顾效率和准确性的问题,提出了基于自适应棋盘网格采样和多假设联合视图选择的多视图立体视觉方法。其利用区域信息采样合理的候选假设进行传播,并设计启发式和概率式两种策略来推断每个像素的聚合视图子集。对于弱纹理区域的深度估计,论文进一步提出了多尺度几何一致性引导的多视图立体视觉方法。该方法利用多尺度几何一致性在粗糙尺度上获得对弱纹理区域的可靠深度估计,并保证其能被传播到精细尺度。为了纠正从粗糙尺度传播来的错误估计,论文设计了一种新颖的细节校正器。这样,该方法在获得良好效率的同时,不仅能够恢复弱纹理区域的深度信息,还能获得细节结构的较好估计。其次,在几何结构线索层面,针对多视图立体视觉仅依赖光度一致性优化在弱纹理区域造成的歧义性问题,提出了平面先验辅助的多视图立体视觉方法。弱纹理区域往往呈现很强的分段平面结构属性,平面模型有利于弱纹理区域的深度估计。另一方面,基于块匹配的多视图立体视觉方法由于其采用的采样传播策略,有着非常高效的性能。通过结合两者的优点,论文提出了平面先验辅助的块匹配多视图立体视觉框架。通过利用概率图模型将平面模型嵌入到块匹配多视图立体视觉方法中,并推导出一种新颖的多视图匹配代价。该匹配代价同时考虑光度一致性和平面兼容性,在非平面区域和平面区域的深度估计都能获得较好的结果。此外,将平面先验辅助与多尺度几何一致性相结合,可以进一步提升对歧义性区域可辨识信息的感知能力,获得更加准确完整的三维模型。再次,在深度特征线索层面,针对现有的基于深度学习的多视图立体视觉方法难以应用到实际的宽基线场景中的问题,提出了基于逆向深度回归和逐像素可视性感知的多视图立体视觉网络。其设计了一个逐像素可视性估计网络来学习不同邻域图像的可视性信息,用以构建自适应加权的多视图聚合代价体。为了适应大规模场景的深度推断,该方法将多视图深度推断处理为逆向深度回归问题。这使得所提出的方法能细致地考虑几何约束,并取得亚像素估计结果。此外,为了获得可扩展的高分辨率估计,该方法采用组相关来构建轻量级代价体,并设计基于序数的不确定性估计来渐进优化高分辨率深度图。这样,该方法可以泛化到不同的场景重建中,并且取得令人满意的效果。最后,在深度特征线索层面,针对现有的基于深度学习的多视图立体视觉方法在深度维度上对全局上下文信息感知不足的问题,提出了面向多视图立体视觉的非局部递归正则化学习。该方法通过在深度维度上滑动深度块,设计了一个深度注意力模块来提取非邻接深度值的非局部交互信息,并进一步采用门控递归的方式来建模不同深度块所传达的全局上下文信息。这样,该方法可以捕获沿着深度方向上的长距依赖,并用其来促进代价图的正则化,提升深度图的估计结果。此外,该方法还设计了动态深度图融合策略来自适应地关联深度概率和深度一致性,以此提升算法在不同场景点云重建的鲁棒性。这样,该方法在室内物体重建和大规模场景重建的任务中都取得了领先水平的性能。论文针对多视图立体视觉在实际应用中存在的问题,由浅到深地探索不同层次线索对多视图立体视觉的效用,取得了优越的重建性能。研究成果不仅在理论层面具有启发意义,在实际场景中也具有重要的应用前景。