以下链接是个人关于MVSNet(R-MVSNet)-多视角立体深度推导重建 所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：a944284742相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 文 末 附 带 \color{blue}{文末附带} 文末附带 公 众 号 − \color{blue}{公众号 -} 公众号− 海 量 资 源 。 \color{blue}{ 海量资源}。 海量资源。
3D点云重建0-00：MVSNet(R-MVSNet)–目录-史上最新无死角讲解：https://blog.csdn.net/weixin_43013761/article/details/102852209
话不多说，先给大家 一 个 警 告 ， G P U 不 过 11 G 的 ， 跑 不 了 M V S N e t \color{red}{一个警告，GPU不过11G的，跑不了MVSNet} 一个警告，GPU不过11G的，跑不了MVSNet。在讲解之前，请大家按照前面的博客，下载好代码，然后我们从README.md文件开始。 注 意 ， 下 面 的 讲 解 和 报 错 都 是 l i n u x 环 境 下 ， 如 果 你 使 用 的 是 w i n d s ， 或 许 会 不 一 样 。 \color{red}{注意，下面的讲解和报错都是linux环境下，如果你使用的是winds，或许会不一样。} 注意，下面的讲解和报错都是linux环境下，如果你使用的是winds，或许会不一样。
通过README.md，我们可以看到：
Download the preprocessed DTU training data (also available at Baiduyun, code: s2v2), and upzip it as the MVS_TRANING folder Enter the MVSNet/mvsnet folder, in train.py, set dtu_data_root to your MVS_TRANING path Create a log folder and a model folder in wherever you like to save the training outputs. Set the log_dir and save_dir in train.py correspondingly Train MVSNet (GTX1080Ti): python train.py --regularization '3DCNNs' Train R-MVSNet (GTX1080Ti): python train.py --regularization 'GRU'所以我们通过上面的链接： https://pan.baidu.com/s/1Wb9E6BWCJu4wZfwxm_t4TQ#list/path=%2F 下载好数据，本人这里选择的是百度云的链接。并且下载完成之后，我把mvset文件夹重命名为MVS_TRANING，然后和源代码并列在一起，如下图： 这样，预备工作就完成了，下面我们开始训练代码，首先我们来训练MVSNet网络，在运行程序之前，我们需要对MVSNet-master/mvsnet/train.py进行一些修改：
#tf.app.flags.DEFINE_string('dtu_data_root', '/data/dtu/', """Path to dtu dataset.""") tf.app.flags.DEFINE_string('dtu_data_root', '../../MVS_TRANING/training_data/dtu_training', """Path to dtu dataset.""") #tf.app.flags.DEFINE_string('log_dir', '/data/tf_log',"""Path to store the log.""") tf.app.flags.DEFINE_string('log_dir', './out_log_dir',"""Path to store the log.""") #tf.app.flags.DEFINE_string('model_dir', '/data/tf_model',"""Path to save the model.""") tf.app.flags.DEFINE_string('model_dir', './out_tf_model',"""Path to save the model.""")把原本的路径注释掉，然后更改成我们训练数据的路径，创建out_log_dir，out_tf_model两个目录，位置如下： 执行
python train.py --regularization 3DCNNs其说log_dir这个变量已经被定义过了，所以更改如下（注释的为原代码）：
#tf.app.flags.DEFINE_string('log_dir', '/data/tf_log',"""Path to store the log.""") tf.app.flags.DEFINE_string('logdir', './out_log_dir',"""Path to store the log.""") #summary_writer = tf.summary.FileWriter(FLAGS.log_dir, sess.graph) summary_writer = tf.summary.FileWriter(FLAGS.logdir, sess.graph)该错误的原因是，源码使用的是python2，但是本人使用的为python3，出现了部分函数不兼容的现象，把xrange替换成range即可。
#for i in xrange(FLAGS.num_gpus): for i in range(FLAGS.num_gpus):更改代码如下：
#if isinstance(fed_layer, basestring): if isinstance(fed_layer, str):找到报错的位置，把所有/替换成//即可。
这是因为GPU0，再被使用，所以我加上如下代码，指定GPU1：
# 添加在导包处 os.environ["CUDA_VISIBLE_DEVICES"] = "1" # 找到对应位置，修改GPU tower_grads = [] #for i in xrange(FLAGS.num_gpus): for i in range(FLAGS.num_gpus): #with tf.device('/gpu:%d' % i): with tf.device('/gpu:1'):加载预训练模型出错，那么我们先不加载预训练模型：
tf.app.flags.DEFINE_boolean('use_pretrain', False,"""Whether to train.""")改写成False
修改代码如下：
#depth_image = load_pfm(open(data[2 * self.view_num])) depth_image = load_pfm(open(data[2 * self.view_num], 'rb'))这样，本人的代码就能正常运行了，大致打印信息如下：
解决了MVSNet报错之后，我们来看看 R-MVSNet，根据前面README.md的信息，我们可以知道，需要执行：
python train.py --regularization 'GRU'一些重复的错误，我这里就不列举了，本人在运行的时候发现，11G的单个GPU无法使用，最后禁用GPU，使用32G内存的CPU进行训练，然后正常打印如下： 到这里，我们的训练过程，基本就可以了。不过现在比较尴尬奥，上面的打印，有的都还看不懂是啥意思。不过没有关系，后面我会为大家详细讲解
还是从READ.md开始： 首先其要求下载scan9数据集，如果之前下载过数据集的可以知道，之前的数据集中，已经包含了scan9，以及模型，本人截图如下： 所以，这里就没有必要重新下载了，本人执行命令如下：
python test.py --dense_folder ../../MVS_TRANING/scan9/scan9 --model_dir ../../MVS_TRANING/models/tf_model_190307/tf_model/ --regularization '3DCNNs' --max_w 1152 --max_h 864 --max_d 192 --interval_scale 1.06只需要指定数据路径（–dense_folder）和模型路径即可（–model_dir ）
修改源码如下：
#cam_file = file_io.FileIO(data[2 * view + 1], mode='r') cam_file = file_io.FileIO(data[2 * view + 1], mode='rb')又是内存不够，我只能又去禁用GPU，使用32G的cpu。
然后就能正常运行了，打印如下：
然后我们换R-MVSNet模型，执行：
python test.py --dense_folder ../../MVS_TRANING/scan9/scan9 --model_dir ../../MVS_TRANING/models/tf_model_190307/tf_model/ --regularization 'GRU' --max_w 1152 --max_h 864 --max_d 192 --interval_scale 1.06只要把之前的3DCNN换成GRU即可。
根据提示，找到MVSNet-master/mvsnet/model.py文件，修改如下：
#depth_interval = (depth_end - depth_start) / (tf.cast(depth_num, tf.float32) - 1) depth_interval = (depth_end - depth_start) // (tf.cast(depth_num, tf.float32) - 1)解决如下，还是修改MVSNet-master/mvsnet/model.py：
#feature_shape = [FLAGS.batch_size, FLAGS.max_h/4, FLAGS.max_w/4, 32] feature_shape = [FLAGS.batch_size, FLAGS.max_h//4, FLAGS.max_w//4, 32]然后就可以正常运行了，本人打印如下： 下面，我们开始看论文了，看完论文之后，我们分析源码，就知道打印的都是啥玩意了。
