在现场条件下对神经辐射场进行3D植物几何重建的评估
Muhammad Arbab Arshad1, Talukder Jubery2, James Afful2
1Department of Computer Science, Iowa State University, Ames, IA, USA.
Plant phenomics (Washington, D.C.)
|September 10, 2024
概括
神经辐射场 (NeRF) 提供有效的3D植物重建,即使在复杂的户外环境中也能达到高精度. 早期停止技术可显著加快NeRF训练的速度,对结果的影响最小.
科学领域:
- 计算机视觉 计算机视觉
- 植物科学 植物科学
- 三维重建的3D重建
背景情况:
- 传统的3D重建方法与植物复杂的几何学斗争,限制了表型和育种中的应用.
- 准确的3D植物模型对于在农业和植物学研究中进行详细分析至关重要.
研究的目的:
- 评估各种神经辐射场 (NeRF) 技术在不同环境中进行3D植物重建的有效性.
- 为了比较NeRF重建保真度与来自光检测和测距 (LiDAR) 的地面真实数据.
- 引入和评估NeRF培训的优化策略,以提高效率.
主要方法:
- 在受控的室内和复杂的户外现场场景中,NeRF模型在工厂数据集上进行训练和评估.
- 使用F1得分量化重建质量,并与LiDAR衍生的点云进行比较.
- 开发了一种早期停止技术,以减少NeRF训练时间.
主要成果:
- 在一个现实的现场场景中,NeRF模型在30分钟的GPU训练后获得了74.6%的F1得分.
- 提议的早期停止技术将训练时间减少了近50%,平均F1分数仅下降了7.4%.
- 与传统方法相比,NeRF在捕捉复杂的植物结构方面表现优异.
结论:
- 在具有挑战性的环境中,NeRF技术显示出高保真度3D工厂重建的巨大潜力.
- 开发的早期停止方法提供了一个实用的方法来加速基于NeRF的3D重建,提高其在植物科学中的适用性.
- 优化的NeRF可以提供高效和详细的3D植物模型,对于表型和育种进步至关重要.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.2K
10:24Neutron Radiography and Computed Tomography of Biological Systems at the Oak Ridge National Laboratory's High Flux Isotope Reactor
Published on: May 7, 2021
2.3K
