3D reconstruction
PulseAugur coverage of 3D reconstruction — every cluster mentioning 3D reconstruction across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的MVMD方法增强了3D重建的镜面检测
研究人员推出了一种新颖的MVMD方法，用于在多视图图像中检测镜面，这对于提高3D重建的准确性至关重要。与以前的单图像检测技术不同，MVMD利用了从不同视角观察到的物体与其在镜面中反射之间的关系。该方法包含一个视图间块（Inter-Views Block）来跟踪物体移动，一个视图内块（Intra-View Block）用于检测反射，以及一个精炼块（Refinement Block）来增强镜面边界和细节。实验表明，与单图像方法相比，MVM…
-
新的相机标定方法使用三维目标提高三维重建精度
一篇新研究论文介绍了一种用于三维重建的新型相机标定框架，超越了传统的二维平面方法。该方法利用预测的场景光线来增强重建管线的灵活性和准确性。该研究提出了新的指标，重建误差和交集误差，与常用的重投影误差相比，它们能更全面地评估三维精度。设计了一个二十面体标定目标，以提供更丰富的标定信息，并在合成数据上显著降低了平均交集误差。
-
新的GO-PRE框架通过预测渲染熵优化3D重建
研究人员推出了一种名为GO-PRE的新型框架，旨在通过优化视图选择来增强主动3D重建。与使用间接信号的先前方法不同，GO-PRE直接针对预测空间中的信息增益。它通过最大化指定目标视图流形上的平均边际预测熵的减少来实现这一点，从而能够实时计算信息增益和交互式目标规范。实验表明，GO-PRE在提高重建保真度和提供更可靠的不确定性量化方面，始终优于最先进的方法。
-
新的卷积神经着色方法增强三维重建
研究人员推出了一种名为卷积神经着色（CNS）的新方法，用于从多张图像生成高质量的三维重建。与依赖有限几何信息的先前神经渲染技术不同，CNS 利用神经着色器捕捉复杂的细节，即使在具有挑战性的光照条件和纹理区域也能实现。该系统还包含一个精细细节位移网络，用于平滑图像边界的不规则性，从而获得更准确、视觉效果更好的三维模型。
-
新研究表明物体感知可增强单视图三维重建
研究人员开发了一种新颖的方法，通过整合物体感知信号来改进单视图三维物体重建。该方法利用预训练的感知模型提取语义和几何信息，然后指导从单个图像进行的重建过程。该方法被设计为模型无关的，可以无缝集成到现有的重建流程中。在基准数据集上的实验表明，当这种感知驱动的方法应用于最先进的重建方法时，能够获得一致且显著的改进。
-
SAF3R框架通过动态稀疏注意力提升三维重建Transformer的效率
研究人员推出SAF3R，一个旨在提高前馈三维重建（F3R）Transformer效率的新框架。该新方法解决了F3R Transformer中跨视图全局注意力二次复杂度引起的计算瓶颈，尤其是在处理长图像序列时。SAF3R采用一种无需训练的动态稀疏注意力机制，结合离线头分析和高效的在线适应策略，以动态匹配输入依赖的注意力行为。实验表明，SAF3R在保持相机姿态估计和三维重建质量的同时实现了显著的稀疏性，从而带来了显著的端到端加速。
-
新AI方法解决单图像和视频的三维和四维重建问题
两篇新研究论文介绍了从视觉数据进行三维和四维重建的新方法。PRISM 提供了一种用于单图像三维重建的前馈方法，将任务分解为几何先验和学习到的残差校正，显著缩短了推理时间。Lift4D 通过结合时间一致的单视图三维估计、可变形三维高斯泼溅以及视图条件扩散先验，解决了单目视频中动态、非刚性对象的四维重建问题，提高了在野外场景下的性能。
-
新数据集增强结肠镜检查的3D重建能力
研究人员推出C3VD-DEFCOL，一个旨在改进结肠镜检查过程3D重建的新数据集。该数据集提供了逼真的体内外观以及密集、时间分辨的3D真实情况，填补了当前资源的空白。它包含了受控的变形，以模拟结肠的运动和蠕动，从而在挑战性条件下更好地评估重建算法和姿态估计。
-
新方法利用3D和2D AI估计小麦穗体积
研究人员开发了一种新颖的混合方法，结合3D重建和知识蒸馏技术来估计小麦穗体积。该方法旨在克服传统测量方法的挑战，这些方法要么计算成本高昂，要么对环境条件敏感。通过将3D模型中的知识蒸馏到基于2D图像的Transformer中，该系统显著降低了平均绝对误差和推理时间，使其适用于高通量田间表型分析。
-
NeRF 方法提升航天器姿态估计和三维重建能力
研究人员开发了新的基于神经辐射场（NeRF）的方法，以提高从图像中进行航天器姿态估计和三维重建的性能。一种方法利用基于 NeRF 的增强技术，用更少的图像训练姿态估计器，克服了传统基于 CAD 的训练的局限性。另一种方法通过引入每张图像的外观嵌入和姿态校正来增强 NeRF，使其在重建过程中对光照变化和不准确的姿态数据更加鲁棒。
-
CalibAnyView 通过多视图几何一致性改进相机标定
研究人员开发了 CalibAnyView，一种适用于任意数量输入视图的相机标定新方法，克服了单视图方法的局限性。该技术明确地对多张图像之间的几何一致性进行建模，这是在真实场景中实现精确 3D 感知的关键一步。CalibAnyView 利用了多视图 Transformer 和几何优化框架，与现有方法相比，其性能更优越，并且随着输入视图的增加，精度也会提高。
-
贝叶斯框架优化3D重建任务的相机视图
研究人员开发了一种新的贝叶斯决策理论框架，用于在3D重建任务中选择最佳的下一个相机视图。该方法将先验分布置于隐式曲面上，并使用随机重建来确定后验分布。与一般的减少不确定性技术相比，该方法优先减少特定下游任务（如语义分类、分割或物理模拟）关键区域的不确定性，从而以更少的视图提高了性能。
-
新AI方法推动3D重建、图像分割和声音恢复
研究人员开发了用于图像分割和重建的新方法。一篇论文介绍了一种使用可微分方法对连续值图像上的简单点检测进行拓扑保持图像分割的新颖方法。另一项研究回顾了制造业中的3D重建技术，强调了深度学习在提高准确性和速度方面的作用，其中质量检测是一个主要应用。第三篇论文提出了一种用于从物体表面振动中恢复声音的物理引导模型，在挑战性场景中表现优于先前的方法。最后，一种用于Ptychographic图像重建的新深度学习框架在单位圆上对相位进行建模，提高了…