Res-NeuS:深度残留和神经隐性表面学习用于多视图重建
Wei Wang1,2, Fengjiao Gao1, Yongliang Shen2
1Intelligent Manufacturing Institute, Heilongjiang Academy of Sciences, Harbin 150090, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
使用ResNet-50和神经表面染,Res-NeuS增强了大规模场景的3D表面重建. 与现有的方法相比,这种方法显著提高了细节捕获和准确性.
科学领域:
- 计算机视觉 计算机视觉
- 三维重建的3D重建
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 神经染有效地从图像中重建3D表面.
- 由于视图稀疏性和复杂性,当前的方法难以处理大规模的场景.
研究的目的:
- 介绍Res-NeuS,一种用于复杂大尺度场景中高保真密度3D重建的新方法.
- 改进处理复杂的细节和3D表面重建中的几何模糊性.
主要方法:
- ResNet-50提取了外观深度特征,用于增强细节捕捉.
- 点间波和重量优化,以实现精确的表面定位.
- 光度一致性和几何约束性精炼了3D表面.
- 自动3D几何采样使粗细重建成为可能.
主要成果:
- 在重建复杂的大规模3D场景方面,Res-NeuS表现出卓越的性能.
- 达到了比一般神经染方法低0.4倍的有害距离.
- 实现了比传统的3D重建方法低0.6倍的有害距离.
结论:
- Res-NeuS有效地解决了目前用于大规模3D重建的神经染技术的局限性.
- 该方法显著提高了重建的3D模型的真实性和准确性.
