新的SEAR方法适配视觉Transformer用于RGB-热成像3D重建

研究人员开发了SEAR，这是一种新颖的微调策略，旨在使基础视觉几何Transformer能够有效地用于RGB-热成像（RGB-T）图像数据。该方法显著提高了3D重建和相机姿态估计的准确性，即使在RGB-T训练数据有限的情况下，其性能也优于现有的最先进技术。SEAR以最小的推理开销增强了模态间的细节和一致性，并在具有挑战性的低光照和高遮挡条件下表现出可靠的性能。随附的研究还引入了一个用于多模态3D场景重建基准测试的新数据集。 AI

影响 通过有效融合RGB和热成像传感器数据，在挑战性环境中实现更鲁棒的3D重建。

排序理由 研究论文，详细介绍了一种将现有模型适配到新数据模态的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• RGB-thermal (RGB-T)
• ScienceCast
• SEAR
• Visual Geometric Transformers
• Vsevolod Skorokhodov

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →