ICCVFeb, 2017

由局部递增到全局平均的并行运动结构

PDF
TL;DR本文提出一种可扩展的结构运动问题（SfM）求解方法，通过引入相机聚类算法将大型 SfM 问题划分为具有重叠的相机簇的子问题，并将局部增量 SfM 的相对位置应用到全局运动平均框架中以产生准确且一致的全局相机位姿。我们能够重建含有超过一百万张高分辨率图像的城市级数据集的相机位姿，在基准、Internet 和序列数据集上表现出卓越的准确性和鲁棒性。
structure from motioncamera registrationcamera clusteringglobal motion averagingscalable formulation
发现论文，激发创造
  • 高效大规模运动结构三层多叉树

    本文提出一个统一的框架，将图像集分成适合重建的簇，并找到多个可靠和稳定的起始点；图像分区分两步进行，首先在密集图像的位置选择一些小的图像组，然后将所有图像按照它们到这些图像组的最优重建路径进行聚类。实验结果表明，我们的方法实现了显著的加速、更高的精度和更好的完整性。

    Dec, 2016

  • 具有深度前端的分布式全局结构恢复

    通过结合特征提取和匹配方面的发展，我们设计了一个模块化的 SfM 框架，旨在研究全局 SfM 与增量 SfM 方法的性能表现，并且实验证明，在不同数据集上，基于深度学习的两视图对应估计在点密度方面有所提升，但仍不如 SIFT 与增量 SfM 方法相比。

    Nov, 2023

  • 分布式相机模型下的大规模 SfM

    本文介绍一种分布式相机模型，是一种新的 Structure-from-Motion (SfM) 模型，并给出了对标准或分布式相机的绝对姿态问题的一般解决方案，以及如何在大规模递增式 SfM 流水线中使用它。与 gDLS 相比，本文提出的方法大约快 8 倍，并且具有更好的鲁棒性，而且该技术能够在仅 22 分钟内从超过 15000 张图像中计算出罗马的 3D 模型。

    Jul, 2016

  • 结构运动测量概述

    本文主要介绍计算机视觉中的结构从运动问题，包括相机运动估计和三维结构恢复等关键技术，以及相关应用，如同时定位和地图构建（SLAM），特征提取和匹配等。

    Jan, 2017

  • 利用图注意网络学习运动结构

    该论文通过使用图注意力网络解决学习结构运动（Structure-from-Motion）的问题，通过学习模型以 2D 关键点为输入，输出对应的相机姿态和 3D 关键点坐标，实现了快速推理和重建，超过了竞争的基于学习的方法并在较短的时间内挑战了 COLMAP。

    Aug, 2023

  • 现场 SfM: 你所捕捉的就是你所得的

    通过使用词汇树对新拍摄的图像进行快速检索，然后采用最小二乘法进行鲁棒特征匹配，并通过优化实现高效的分层加权局部捆绑调整，实现了在线拍摄时图像的实时注册。

    Sep, 2023

  • 基于特征度量细化的像素完美式结构运动恢复

    本文通过直接对多个视图中的低级图像信息进行对齐以提高结构运动两个关键步骤的精度，该方法通过采用神经网络预测的密集特征来优化特征度量误差从而提高了相机姿态和场景几何的准确性。

    Aug, 2021

  • 从非标定图像中恢复层次结构和运动

    这篇论文介绍了一种名为 Samantha 的新型管线，采用层次化方法解决运动结构问题，可提高计算效率并实现真正可扩展性，同时在不依赖辅助信息的情况下处理图像，并通过实验验证方法的准确性和计算效率。

    Jun, 2015

  • 结构光中的语义验证

    本文探讨将语义分割技术整合进 Structure from Motion (SfM) 中，通过利用卷积神经网络对输入图像进行像素标记，进而应用于 3D 点云的估算，并比较标记语义的关键点。在一个重复建筑场景的数据集上进行了验证，提出了一种改进 3D SfM 模型的新方法。

    Apr, 2023

  • 场景坐标重建：通过增量学习重定位器进行图像集合的姿态估计

    我们通过学习基于场景坐标回归的重新定位方法实现了无特征匹配和高效优化的相机姿态估计，从而构建了隐式的神经场景表示。

    Apr, 2024