通过图像特征协助的神经辐射场用于无人机场景重建的UAV场景重建

科学领域:

• 计算机视觉 计算机视觉
• 这是一种摄影计量技术 (photogrammetry).
• 机器人技术 机器人技术 机器人技术

背景情况:

• 无人机 (UAV) 应用需要强大的3D场景重建.
• 现有的神经辐射场 (NeRF) 方法与大规模,稀疏和复杂的无人机捕捉场景作斗争,导致细节模糊和重建不完整.
• 挑战包括缺乏边缘信息和物体出现在很少的图像中.

研究的目的:

• 为无人机图像开发一种改进的基于NeRF的3D场景重建方法.
• 解决当前NeRF技术在处理大规模,复杂的空中场景方面的局限性.
• 为了提高无人机捕获的重建环境的准确性和清晰度.

主要方法:

• 提出了一种混合图像编码器,将卷积神经网络 (CNN) 和变压器结合起来进行特征提取.
• 扩展了NeRF架构,包括一个分支来估计过渡区域的不确定性,抑制动态内容.
• 改进了损失函数,以提高训练优化和合成质量.
• 使用定制的无人机空中图像数据集进行实验.

主要成果:

• 拟议的方法有效地重建和染复杂的无人机捕获的场景,改进了细节.
• 与基线NeRF相比,在处理大规模和稀疏的环境中表现出更高的准确性.
• 成功地抑制了动态元素,以专注于静态结构重建.

结论:

• 混合图像编码器和不确定性估计显著改善了无人机基于NeRF的3D场景重建.
• 这种精细的方法为挑战性空中图像数据集提供了更强大的解决方案.
• 这项工作推进了基于视觉的3D重建在遥感和目标检测应用中的功能.