Aug, 2023

利用图注意网络学习运动结构

PDF
TL;DR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。
structure-from-motiongraph attention networkscomputer visionreprojection errorsgraph neural networks
发现论文，激发创造
  • DeepSFM: 通过深度束调整实现结构运动

    本研究设计了一种以物理驱动的 DeepSFM 体系结构，对深度和姿态进行估计，在显式结构约束和深度学习技术的共同作用下，实现了与传统 BA 和新兴深度学习技术的优点相结合的分离拍摄下位姿和深度估计

    Dec, 2019

  • 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

  • 基于视觉几何的深度结构运动

    我们提出了一种新的深度管道 VGGSfM，其中每个组件都是完全可微的，因此可以进行端到端的训练，通过引入新的机制和简化，我们在三个流行的数据集 CO3D，IMC Phototourism 和 ETH3D 上实现了最先进的性能。

    Dec, 2023

  • 用于运动结构的统一视图图选择框架

    本研究提出了一种基于优化框架和网络流算法的视图图优化框架，可用于大规模运动结构三维重建，并通过成本模型实现了高精度、高效、准确重建的任务目标，该模型可以抽象出数据集和重建目标中独特的挑战，并显著改善了通用 SfM 管道的表现。

    Aug, 2017

  • BA-Net：密集型捆绑调整网络

    介绍了一种使用深度学习和先验领域知识相结合的网络架构来解决 structure-from-motion (SfM) 问题，通过 Bundle Adjustment (BA) 加入特性度量误差来明确地强制执行多视角几何约束，并且使用新的深度参数化来恢复密集的逐像素深度。实验证明了该方法的成功。

    Jun, 2018

  • SfM-Net: 从视频中学习结构和运动

    本文提出了一种几何感知的神经网络 SfM-Net，可用于视频中的运动估计，通过分解场景和物体深度、相机运动、3D 物体旋转和平移来处理像素运动，该模型可通过不同程度的监督训练，包括自监督、相机运动监督和深度监督，成功地估计出帧间相机旋转和平移，并对运动物体进行了有效地分割。

    Apr, 2017

  • 由局部递增到全局平均的并行运动结构

    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。

    Feb, 2017

  • Level-S$^2$fM: 基于神经隐式面积边界的运动结构恢复

    本文提出了一种神经增量结构运动（SfM）方法 Level-S $ ^ 2 $ fM，通过从建立的关键点对应关系中学习坐标 MLPs 来估计相机姿态和场景几何。

    Nov, 2022

  • 深度二视图结构运动再探讨

    本研究使用光流、姿态估计和深度估计网络，实现了相对摄像机位姿和深度图的两视角结构运动重建，表现明显优于现有的同类方法。

    Apr, 2021

  • 针对动态场景的图注意力网络相机重定位

    我们提出了基于图注意力网络的方法，利用场景三角网格表示来估计动态环境下的图像相机位置，通过三个组件（图神经网络、卷积神经网络和神经网络模型）的端到端训练，结合 RANSAC 算法和点云表示有效地提高了相机位置精度。

    Sep, 2022