神经表面重建:解决大规模3D神经场景映射中的循环关闭挑战
Jiadi Cui1, Jiajie Zhang1, Laurent Kneip1
1Key Laboratory of Intelligent Perception and Human-Machine Collaboration, ShanghaiTech University, Ministry of Education, Shanghai 201210, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
本研究介绍了一种新的算法,用于使用surfels和神经描述器进行3D表面重建. 它改善了循环关闭和捆绑调整,实现了更高的精度和更小的文件大小,用于复杂的表面.
科学领域:
- 计算机视觉 计算机视觉
- 3D几何处理处理 3D几何处理
- 机器学习 机器学习
背景情况:
- 3D表面重建面临复杂表面和规模的挑战.
- 隐含的神经表征正在出现,但在循环关闭和捆绑调整方面遇到了困难.
- 现有的神经系统方法缺乏有效地处理这些任务的全球参数学习.
研究的目的:
- 开发一种高效准确的3D表面重建算法.
- 为了解决神经重建方法的循环关闭和捆绑调整方面的局限性.
- 为了提高可扩展性和减少重建模型的文件大小.
主要方法:
- 利用surfels并扩大它们的定义以进行3D重建.
- 整合神经描述符与冲浪网.
- 作为变形图的优化问题,框架surfel协会.
- 为网格重建生成密集体积签名距离函数 (SDF).
主要成果:
- 在具有挑战性的场景中有效检测和纠正循环关闭.
- 重建准确度显著提高,平均错误减少了16.9%.
- 建模文件的生成比传统方法小90%.
- 在3D神经重建中的简化复杂性通过surfel-level表示.
结论:
- 提出的基于surfel的神经方法有效地处理循环关闭和捆绑调整.
- 这种方法为3D表面重建提供了更准确,更有效的解决方案.
- 该方法显著降低了对重建模型的数据存储要求.
