SurfelMeshing: 在线基于 Surfel 的网格重建
我们提出了一种基于 surfel-based geometry 的密集 SLAM 系统,该系统可以实时重建非刚性变形场景,不需要模板或先前的模型。
Apr, 2019
本文提出一种新颖的密集 Surfel Mapping 系统,采用稀疏 SLAM 系统估计相机姿态,并将强度图像和深度图像融合成全局一致模型,具有运行时效率高、内存效率高、融合时间 O (1) 等优点,可用于建立从房间尺度到城市尺度的场景,经 KITTI 数据集和自主飞行实验验证其性能均能达到全局一致且可实时处理,代码可供社区使用。
Sep, 2019
介绍了一种新型的场景表示 ——DeepSurfels,它能够结合几何和外观信息,并且可以很好地更新外观信息并且易于与机器学习方法相结合。同时,我们还提出了一种端对端的可训练在线外观融合管线,它可以将 RGB 图像的信息融合到所提出的场景表示中,并且比传统的纹理映射方法以及最近的基于学习的技术都表现出更好的运行时间、推广能力和可扩展性。
Dec, 2020
本文提出了一种用于在 RGB-D 传感器上进行大规模 3D 重建的实时表面矫正方法,该方法通过实时估计相机运动并在全局姿势图优化中进行精调来纠正可能出现的表面偏差,能够在仅使用单个 GPU 的情况下实现大型环境的实时表面纠正,相比最新技术而言,具有更高的运行时效率并且需要显著更少的内存。
Sep, 2017
本研究提出了一种在线物体级别 SLAM 系统,该系统通过使用 Mask-RCNN 实例分割将复杂的室内场景中的物体进行重建,没有进行内部变形,并将每个物体的信息存储在可优化的 6DoF 姿态图中,以实现高度内存效率和较高的在线性能。
Aug, 2018
本文主要研究目标是在计算机视觉中从多视图图像或单目视频中重建物体表面,作者通过将网格结构与颜色相结合的方式,在去除视角相关颜色的同时通过重新照明网络保持体积渲染性能,通过有向距离函数网络提取表面的网格,并从全局颜色网络获取每个表面顶点的颜色,结果表明该方法在物体扫描任务和公开数据集上的性能优于现有方法。
Aug, 2023
本文提出了 GradientSurf,这是一种从单目 RGB 视频中实时重建表面的新算法。该方法通过渐变域中的表面、体积和定向点云之间的紧密耦合解决重建问题,利用神经网络增量式地从部分扫描中在线找到 Poisson 层的解,以监督局部和全局重建。与离线求解 Poisson 方程的 Poisson Surface Reconstruction 不同,现有方法在从 RGB 信号重建时缺乏细节,本文通过在梯度域中对零阶和一阶能量进行最小化,解决了这个问题。在室内场景重建的任务中,视觉和定量实验结果表明,该方法在曲线区域重建的细节更多,对小物体的保真度更高。
Oct, 2023
通过利用深度、表面法线和 RGB 损失来改善重建保真度和优化时间的缺乏多视图线索的非刚性表面的高保真度三维建模的无模型神经隐式表面重建方法 DynamicSurf。
Nov, 2023
本文提出了 SurfelNeRF,这是一种基于神经辐射场的新型算法,将灵活可扩展的神经 Surfel 表示与 NeRF 渲染结合起来,用于高效的在线重建和高质量渲染大规模室内场景,并通过高效的可微栅格化方案实现了 10 倍的速度提升,并在 ScanNet 数据集上实现了最先进的结果。
Apr, 2023