structure from motion
PulseAugur coverage of structure from motion — every cluster mentioning structure from motion across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新基准评估用于3D场景合成的相机姿态估计
研究人员开发了一个基准来评估新视角合成的相机姿态估计策略，这一过程对于创建3D场景表示至关重要。研究发现，通过减少特征使用同时保持高精度，可以显著加速传统的运动恢复结构（SfM）方法。此外，将用于初始估计的前馈神经网络与经典SfM优化相结合，可以在效率和有效性之间取得最佳平衡。
-
新方法校正水下相机畸变，实现精确三维测绘
研究人员开发了一种新方法来校正由水下相机外壳引起的图像畸变。该技术在图像空间中应用，解决了影响三维重建和相机轨迹精度的“碗状”变形。这种基于物理的校正可与现有的运动恢复结构（SfM）和视觉SLAM算法一起使用，从而提高帧配准精度并减少真实世界数据集上的重投影误差。
-
新框架解决了具有未知输入的非线性系统的状态估计问题
研究人员开发了一种新颖的结构化解决方案，用于估计具有未知输入的非线性系统的状态。该方法引入了UID诱导范式，将未知输入的影響分解为两个不同的组成部分：那些在结构上与可观察动力学解耦的输入，以及那些影响可观察量的输入。该框架为未知输入解耦和重构提供了统一的解决方案，而无需对输入进行模型或随机假设。该方法的实际效用通过最小运动恢复结构配置得到证明，仅需三个点特征和单轴陀螺仪即可实现状态估计，并通过真实数据进行了验证。
-
SkyAnchor 使用地面视角图像更新3D航空场景
研究人员开发了SkyAnchor，一种使用地面图像更新大规模3D航空场景的新颖方法。该方法利用现有的3D高斯泼溅模型和来自航空视角的运动恢复结构作为支架。SkyAnchor通过首先定位地面帧的短组以建立锚点姿态，然后恢复完整轨迹，最后在保持航空场景完整性的同时插入地面高斯元素来解决整合未定向地面视角序列的挑战。实验证明了从航空和地面视角都能实现精确的度量轨迹和高质量渲染。
-
新的深度学习框架提高了运动恢复结构的准确性
研究人员开发了一种新颖的深度学习框架用于运动恢复结构（SfM），该框架利用了一个置换等变、边条件图神经网络。该方法接收嘈杂的成对相对相机姿态，并输出全局一致的相机外参，而无需地面真实监督，而是依赖于相对姿态一致性目标。该框架效率高，可扩展到一千多张图像，并且在准确性和图像配准方面优于现有的深度跟踪中心方法，同时比最先进的经典流水线更快。
-
BLASt3R框架通过多视图匹配和单目先验增强运动恢复结构系统
研究人员开发了BLASt3R，一个新颖的捆绑调整框架，专为运动恢复结构（SfM）系统设计。该框架集成了快速的多视图匹配器和单目先验，以增强在线视觉SLAM（VSLAM）和无序图像集的离线重建。实验表明，与现有方法相比，BLASt3R提供了更高的性能和速度，在未校准的VSLAM任务中尤其优于已校准的方法。
-
新的HiSfM框架提高了运动恢复结构的鲁棒性和效率
研究人员开发了HiSfM，一种新颖的运动恢复结构（SfM）分层框架，可提高鲁棒性和效率。该方法解决了重复或对称结构中视觉歧义带来的挑战，并降低了冗余数据相关的计算成本。HiSfM首先识别强大的局部社区，然后用紧凑的骨架将它们连接起来，形成一个稳定的脚手架，作为场景重建的锚点。实验表明，与现有方法相比，HiSfM能有效防止歧义引起的故障，并显著减少运行时间。
-
小型UAV实现高保真三维物体重建
研究人员开发了一个新颖的系统，使小型、亚100克无人机（UAV）能够自主地对静态物体进行高保真三维重建。该系统采用闭环主动视点选择框架，集成了实时运动恢复结构（SfM）以立即生成点云，并动态调整轨迹。这使得UAV能够智能地捕捉覆盖不佳区域的新图像，确保为最终基于神经辐射场（NeRF）的高保真重建进行全面的数据采集。
-
新框架对齐水下光学和声纳地图
研究人员开发了一个新框架，通过共配准光学和声学图像来改进水下测绘。该方法使用运动恢复结构 (SfM) 创建海底三维网格，作为视觉和声学数据之间的几何链接。该系统还校正了高度漂移，并分离了海底的固有反射率，消除了由传播损失和视点引起的失真。这种物理引导的方法能够实现精确的、共配准的多模态数据集，用于栖息地测绘中的高级自监督学习。
-
新的SfM方法通过剪枝视图图实现鲁棒的三维重建
研究人员开发了一个新的鲁棒全局运动恢复结构（SfM）框架，该框架解决了现有方法对视图图中错误边的敏感性问题。这种新颖的方法将视图图划分为局部一致的子图，在这些子图中估计相机姿态，然后使用基于RANSAC的边剪枝来移除不一致的连接。精炼后的视图图能够实现更精确的全局SfM，从而改善重建伪影并提高新视图合成的质量，这在具有挑战性的图像数据集上得到了证明。
-
新的 ORBIT++ 基准测试挑战运动恢复结构方法
研究人员推出了 ORBIT++，这是一个旨在评估运动恢复结构 (SfM) 方法在充满挑战的真实世界条件下的新基准测试。该基准测试利用 360 度全景视频创建视角剪辑，为相机姿态估计提供更丰富的视觉上下文。初步实验表明，包括 COLMAP 以及最近的基于优化和前馈方法在内的当前 SfM 方法在 ORBIT++ 所呈现的复杂性方面面临困难。
-
新的摄影测量方法为橡胶混凝土提供高分辨率三维缺陷分析
研究人员开发了一种新的摄影测量工作流程，使用 Canon DSLR 和 iPhone 16 的高分辨率图像来创建橡胶混凝土的详细三维模型。该方法提供了亚毫米级分辨率，可替代传统的 LiDAR 系统，而 LiDAR 系统通常过于粗糙，无法分析微裂纹等细微缺陷。该工作流程包括一个 RGB 引导的裂缝提取技术和变形分析，为未来实验室环境中的自动缺陷表征和材料性能评估奠定了稳健的几何基础。
-
新型Misanthrope检测器增强图像匹配的隐私保护
研究人员开发了Misanthrope，一种旨在增强SLAM和SfM等图像匹配应用中隐私保护的新型关键点检测器。与可能容易受到揭示敏感场景内容的逆向攻击的传统方法不同，Misanthrope经过训练，可以避免检测到人脸上的关键点。这种方法从源头上减轻了隐私风险，同时保持了具有竞争力的图像匹配性能，甚至在有人的场景中作为干扰项时，其性能也优于最先进的方法。
-
新的GS-Net模块通过更快的3DGS提升自动驾驶数据重用性
研究人员开发了GS-Net，一个旨在增强不同自动驾驶车辆间数据重用性的新型模块。该即插即用系统聚合了来自稀疏运动恢复（Structure-from-Motion）点云的几何上下文，并将其扩展为密集的高斯图元，从而为3D高斯泼溅（3D Gaussian Splatting）实现更快、更具泛化性的初始化。GS-Net显著提高了内插和外插视图的渲染质量，解决了目标相机视角位于训练相机凸包之外的、研究不足的外插区域问题。为了便于评估，该团队还…
-
新的运动恢复结构方法提高了航空地面三维重建精度
研究人员开发了一种新颖的方法，用于航空和地面图像中的鲁棒运动恢复结构（SfM），解决了由显著视角和尺度变化带来的挑战。他们的方法整合了一个旋转感知、无检测器的特征匹配网络和一个多视图轨迹精炼过程。关键组件包括用于旋转不变特征提取的全向状态空间块、用于高效上下文捕获的多尺度注意力以及用于精确对齐的双向匹配方案。实验表明精度有显著提高，与LoFTR等现有方法相比，在5°姿态误差下的AUC提高了93.9%，总体精度提升范围为27.6%至32.7%。
-
Structure from motion reconstructs 3D scenes from photos
Structure from motion (SfM) 是一种用于从一组二维照片重建三维场景的技术。该过程涉及几个关键步骤：检测图像中可重复的兴趣点，跨图像对匹配这些点，以及几何验证这些匹配。SfM 管道（如 COLMAP 中实现的管道）通过注册新图像和通过捆绑调整精炼姿势和点来逐步构建三维模型。一个关键的挑战是区分正确匹配和不正确匹配，这通常通过 SIFT 等特征描述符和 RANSAC 等稳健的几何验证方法来解决。
-
新的MV2数据集挑战驾驶场景中的新视角合成
研究人员推出了多视角多车辆（MV2）数据集和基准，以解决在真实驾驶场景中应用可微分渲染进行新视角合成（NVS）所面临的挑战。MV2数据集包含来自汽车、滑板车和无人机同步捕获的数据，每种设备都遵循不同的轨迹，从而能够评估具有显著视角变化的NVS模型。对当前NVS和相机姿态估计方法的基准测试显示，随着视角差异的增加，性能会下降，并突出了基于优化的姿态估计器优于前馈方法。
-
AI热成像增强3D模型，用于历史遗产记录
研究人员发表了一篇论文，详细介绍了使用AI热成像增强技术记录历史建筑，特别是佛罗伦萨的Loggia dei Lanzi。该研究在3D摄影测量工作流程中比较了不同分辨率的图像层级，包括AI升频图像，以评估它们对特征检测和3D模型精度的影响。数据集和研究结果将公开提供给文化遗产应用。
-
新的Swimm3R框架增强了水下3D重建能力
研究人员开发了Swimm3R，一个旨在改善水下环境3D重建的新型框架。该系统集成了介质感知运动恢复（SfM）和专门的水下Beta Splatting技术。Swimm3R通过回归水下成像参数和相机姿态来解决散射和衰减等挑战，最终生成恢复的点云。该框架使用新的巴巴多斯水下视频数据集进行了验证，在困难条件下显示出对海底几何形状的稳健恢复能力，并在视觉质量和定位性能方面优于现有方法。
-
VidMap 系统增强了从非校准视频进行三维重建
研究人员开发了 VidMap，这是一个旨在提高从非校准视频重建三维环境的准确性和鲁棒性的新系统。该方法结合了同步定位与地图构建 (SLAM) 和运动恢复结构 (SfM) 技术的优点。VidMap 利用时间顺序实现可靠的回环检测，并结合度量单目深度先验来增强全局优化，在具有挑战性的数据集上表现优于现有的 SLAM 和 SfM 方法。