导读 近年来,神经方法在基于相机的重建中已得到广泛应用。然而,在大多数情况下,需要数百个相机视角。同时,存在传统的光度测定方法,即使从无...
近年来,神经方法在基于相机的重建中已得到广泛应用。然而,在大多数情况下,需要数百个相机视角。同时,存在传统的光度测定方法,即使从无纹理表面的物体也可以计算出高精度的重建。然而,这些方法通常仅在受控的实验室条件下才有效。
丹尼尔·克雷默斯(DanielCremers)是慕尼黑工业大学计算机视觉与人工智能教授,也是慕尼黑机器学习中心(MCML)负责人和慕尼黑数据科学研究所(MDSI)主任,他与他的团队共同开发了一种利用这两种方法的方法。
它将表面神经网络与照明过程的精确模型相结合,该模型考虑了光吸收以及物体与光源之间的距离。图像中的亮度用于确定表面相对于光源的角度和距离。
“这使我们能够以比现有流程更高的精度对物体进行建模。我们可以利用自然环境,并可以重建相对无纹理的物体来进行重建,”Cremers说。
该论文发表在arXiv预印本服务器上,并将在2024年6月17日至6月21日在西雅图举行的计算机视觉与模式识别会议(CVPR2024)上发表。
该方法可用于保存历史古迹或将博物馆展品数字化。如果这些展品随着时间的推移被毁坏或腐烂,则可以使用照片图像重建原件并创建真实的复制品。
Cremers教授的团队还开发了基于神经摄像头的自动驾驶重建方法,其中摄像头拍摄车辆周围环境。自动驾驶汽车可以实时模拟周围环境,开发场景的三维表示,并用它来做出决策。
该过程基于神经网络,可预测单个视频图像的3D点云,然后将其合并为行驶道路的大规模模型。