structure from motion
PulseAugur coverage of structure from motion — every cluster mentioning structure from motion across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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。
-
InstantSfM 为深度学习时代提供 GPU 原生运动恢复结构
研究人员开发了 InstantSfM，一个新颖的 GPU 原生运动恢复结构 (SfM) 系统，旨在与深度学习流水线无缝集成。该系统通过将度量深度先验直接嵌入其优化框架，解决了传统以 CPU 为中心的 SfM 方法的局限性，消除了尺度模糊并提高了数值稳定性。InstantSfM 展现了显著的速度提升，在大规模数据集上，其性能比 COLMAP 等成熟工具提高了 40 倍，同时保持了相当的重建精度。
-
BathyFacto：新型NeRF模型可精确绘制水下地形
研究人员开发了BathyFacto，这是神经辐射场（NeRF）的一个新颖扩展，旨在精确绘制水下地形。这种新方法解决了空气-水界面的折射挑战，而折射通常会导致传统摄影测量技术出现显著的深度误差。通过对双介质环境进行建模并校正光线弯曲，BathyFacto实现了高精度且度量一致的水下点云。
-
TriP框架为计算机视觉提供鲁棒性翻译平均
研究人员推出TriP，一种用于计算机视觉鲁棒性翻译平均的新型框架。这种基于三角形的方法从几何特性推断局部相对边缘尺度，并在对数域中同步它们，以实现全局一致的相机位置。TriP旨在抵抗对抗性和结构性损坏，无需额外约束即可避免崩溃问题，并且具有高度并行化和可扩展性，可处理数百万台相机。该方法在合成和真实世界数据集上的表现显著优于现有的翻译平均技术。
-
SalientGS 统一 SfM 和 3DGS 以实现更快的 3D 场景重建 · 已跟踪 2 个来源
研究人员开发了 SalientGS，这是一种将运动恢复结构 (SfM) 与 3D 高斯泼溅 (3DGS) 相结合用于 3D 场景重建的新型流水线。该系统采用重要性引导的马尔可夫链蒙特卡洛 (MCMC) 高斯分配，以有效地将计算资源重新分配给场景中拟合不足的区域。这种方法可在约 15 分钟内实现端到端重建，并达到高感知质量。
-
新的运动恢复结构方法结合基础模型和深度先验以改进3D重建 · 跟踪到4个来源
两篇新的研究论文介绍了先进的运动恢复结构（SfM）重建方法。Glob3R利用3D基础模型并优化前馈几何预测，以实现鲁棒且准确的场景重建。DGSfM通过整合单目深度图作为先验来增强全局SfM，通过深度感知求解器和一致性检查来提高鲁棒性和姿态准确性。
-
新的 RoMa v2 和 LoMa 模型在计算机视觉特征匹配领域达到最先进水平 · 已追踪 2 个来源
研究人员推出了两款新模型 RoMa v2 和 LoMa，它们显著推动了计算机视觉密集特征匹配领域的发展。RoMa v2 由 David Nordström 及其同事开发，通过采用新颖的匹配架构、精心策划的训练分布以及利用 DINOv3 基础模型，提高了准确性和鲁棒性。LoMa 也由 Nordström 共同撰写，它通过结合大型数据集、现代训练技术和扩展计算能力，重新审视了局部特征匹配，并在具有挑战性的基准测试中取得了最先进的性能。
-
PRISM3D 框架从极端运动模糊中重建三维场景
研究人员开发了 PRISM3D，一个用于从严重运动模糊图像中进行三维场景重建的新框架，传统方法在此类任务中会失败。该系统采用鲁棒初始化策略，利用深度密集跟踪建立全局拓扑，并通过马尔可夫链蒙特卡洛 (MCMC) 的概率公式进行几何致密化。一个扩展版本 PRISM3D-E 集成了事件流以增强重建保真度，并创建了一个新的基准数据集 PRISM3D-E Benchmark 来评估这些多模态能力。