# BE PI3D : MVS par level set

## Usefull resources

### Level set method, Wikipedia

https://en.wikipedia.org/wiki/Level-set_method

![](https://upload.wikimedia.org/wikipedia/commons/7/78/Level_set_method.png)

### Level set, Wikipedia 

https://en.wikipedia.org/wiki/Level_set

### TP3, Stéréoscopie multi-vues (MVS)

https://moodle-n7.inp-toulouse.fr/pluginfile.php/116746/mod_resource/content/2/sujet_TP3.pdf

### Coding Adventure: Terraforming, Sebastian Lague

[![](https://i.ytimg.com/vi_webp/vTMEdHcKgM4/maxresdefault.webp)](https://www.youtube.com/watch?v=vTMEdHcKgM4)

### 3D Signed Distance function (NVIDIA Research)

2022
Towaki Takikawa
Andrew Glassner
Morgan McGuire

https://tovacinni.github.io/sdf-explorer/

### A GPU Implementation of Level Set Multiview Stereo

2006
Patrick Labatut
Renaud Keriven
Jean-Philippe Pons

https://link.springer.com/chapter/10.1007/11758549_33
https://link.springer.com/content/pdf/10.1007/11758549_33.pdf?pdf=inline%20link

### Fast Level Set Multi-View Stereo on Graphics Hardware

2006
Patrick Labatut
Renaud Keriven
Jean-Philippe Pons

https://ieeexplore.ieee.org/document/4155801
https://sci-hub.hkvisa.net/10.1109/3dpvt.2006.62

### Model-based multiview stereo via level sets with statistical shape prior

2011
Moumen El-Melegy
Nagi Al-Ashwal
Aly A. Farag

https://ieeexplore.ieee.org/document/6365368
https://sci-hub.hkvisa.net/https://ieeexplore.ieee.org/document/6365368

### Équation bizarre de l'idée générale

`g(x,y)=exp(-((0.2*x)^(2)+((y^(2))/(x^(2)+0.1))))*sig(-10*x)-5*exp(-((y^(2))/((0.1*x)^(2))))*sig(10*x)`

$$g(x,y) = \exp\left(-\left(\left(0.2x\right)^2 + \left(\frac{y^2}{x^2 + 0.1}\right)\right)\right)\sigma\left(-10x\right) - 5\exp\left(-\frac{y^2}{\left(0.1x\right)^2}\right)\sigma\left(10x\right)$$

### A Level-Set Approach to 3D Reconstruction from Range Data

1998
Ross T. Whitaker

https://www.cs.utah.edu/~whitaker/sceneRecon/papers/sparse_report.pdf
https://link.springer.com/article/10.1023/A:1008036829907
https://link.springer.com/content/pdf/10.1023/A:1008036829907.pdf?pdf=button

### Level Set Methods in Computer Vision (Slides)

2006
Daniel Cremers
Department of Computer Science
University of Bonn

https://www.csd.uwo.ca/~yboykov/Presentations/ECCV06_tutorial_partII_dan.pdf

On part d'un solide qu'on rogne en soustrayant les valeurs obtenues avec les gaussiennes => jusqu'à obtenir le solide étudié.

### Variational principles, surface evolution, PDEs, level set methods, and the stereo problem

1996/1998
Olivier Faugeras
Renaud Keriven

https://hal.inria.fr/inria-00073673/document
https://ieeexplore.ieee.org/document/661183

### Multi-View Stereo: A Tutorial

2015
Yasutaka Furukawa
Carlos Hernández

https://carlos-hernandez.org/papers/fnt_mvs_2015.pdf

### amy-tabb/tabb-level-set-segmentation

https://github.com/amy-tabb/tabb-level-set-segmentation

### Ramesh-X/Level-Set

https://github.com/Ramesh-X/Level-Set

### 3D Image Reconstruction and Level Set Methods

Introduction and derivation of the level set methods.

https://scholarsarchive.byu.edu/cgi/viewcontent.cgi?article=3811&context=etd

# Les bons tuyaux de Lilian
 
Voici les références pour le groupe de BE de Laurant, des références pour lesquelles la reconstruction 3D sont les zeros d'un level set (entre parenthèses : la nature de la fonction dont les paramètres sont optimisés) :
- IDR (fonction de distance signée) : Multiview Neural Surface Reconstruction by Disentangling Geometry and Appearance
- Neus (fonction de distance signée) : NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction
- Unisurf (fonction d'occupation, terme traduit de l'anglais occupancy) : UNISURF, Unifying Neural Implicit Surfaces and Radiance Fields for Multi-View Reconstruction
- VolSDF (fonction de distance signée) : Volume rendering of neural implicit surfaces
 
Les quatre méthodes font du rendu dit surfacique, les trois dernières (Neus, Unisurf and VolSDF) étant "hybrides", à savoir utilisant du rendu surfacique et volumique.
 
N'hésitez pas à nous demander plus d'informations si besoin.
 
Une autre référence avec un mélange de MVS et de PS qui considère le niveau d'incertitude des deux méthodes respectivement pour utiliser en chaque pixel le résultat le plus fiable (level set et equation eikonale dans leur fonction de cout) :
https://openaccess.thecvf.com/content/CVPR2022/html/Kaya_Uncertainty-Aware_Deep_Multi-View_Photometric_Stereo_CVPR_2022_paper.html

Un autre article à lire :

https://hal.inria.fr/inria-00266287/file/GargalloPradosSturm-iccv2007.pdf
 

# Note

Eviter papier de BOYKOV CREMERS

# A demander 

Quel estla différence avec la méthode vu en TP ?
- On calcule le MVS comme d'hab
    -> Carte de profondeur par image
- Pas de projection en nuage de points dense
    -> Utilisation de la carte de prof pour modifier le level set initiale ?