相关实验视频
Updated: Jan 10, 2026

06:54
Photorealistic Learned Landscapes for Augmented Reality
Published on: June 27, 2025
651
通过物理失焦建模和多视图几何监视来进行深度一致的3D高斯裂纹.
Yu Deng1, Baozhu Zhao1, Junyan Su1
1Department of Future Technology, South China University of Technology, Guangzhou, 511400, China.
概括
这项研究引入了3D重建的新框架,在具有不同距离的具有挑战性的场景中提高了深度准确性. 该方法通过使用深度和多视图一致性来增强3D高斯斯普拉丁,以获得更好的场景表示.
科学领域:
- 计算机视觉 计算机视觉
- 3D重建的3D重建
- 计算成像技术的成像
背景情况:
- 3D重建面临着极端深度变化的挑战,导致偏远地区的深度估计不佳,以及近地区域的结构问题.
- 现有的方法难以平衡近距离现场元素的监管信号.
研究的目的:
- 开发一种新的计算框架,以推进3D高斯分片的发展.
- 为了提高3D重建的深度保真度,在具有显著深度分层的场景中进行跨场景的3D重建.
主要方法:
- 集成深度场监控使用尺度恢复的单眼深度估计器和失焦卷积.
- 实施多视图一致性监督,使用基于LoFTR的特征匹配和最小平方优化.
- 创新深度损失,以强化几何一致性和提高深度准确性.
主要成果:
- 与最先进的方法相比,实现了更高的深度保真度.
- 在Waymo开放数据集上显示了0.8dB的PSNR改进.
- 成功增强了远场和近场深度估计.
结论:
- 拟议的框架将物理成像原理与基于学习的深度规范化统一起来.
- 为城市环境中复杂的深度分层提供可扩展的解决方案.
- 在3D重建中弥合了准确的深度估计和结构完整性之间的差距.

