多视图立体匹配中不确定性量化的内部可靠性的关键分析
本文提出一个通过联合光度优化密集几何和摄像机参数,用于 3D 重建的框架,使其比特征点 bundle 调整更具指标重建精度,该框架可以应用于大规模的数据集,并且在面对不同的光照和相机内参时有更好的表现。
Aug, 2020
本文使用新型网络结构和更密集的卫星图像描述符进行多模式区域定位,可将度量定位误差中位数相对于同一区域、跨区域和跨时间的现有技术分别降低 51%、37%和 28%。
Aug, 2022
在城市环境中,使用航空和地面图像相结合的方法提高了地表重建的效率。为了解决来自视角和光照条件的巨大差异导致的特征点匹配困难的问题,本文提出了一种新方法,利用摄影测量网格模型进行相机标定和图像匹配,这种方法具有线性时间复杂度,可以解决多个问题,从而得到更为准确完整的模型。
Feb, 2020
本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程,其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置,我们根据结果的接近程度对图像对进行排名,并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果,在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。
May, 2019
本文回顾了十多年来用于立体匹配置信度估计的算法和策略,并评估了现有的置信度估计方法,包括手工设计的和最新的基于学习的方法,在五个标准数据集上进行实验,并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较,旨在提供该领域的全面概述,并突出了基于学习的方法的优势和局限性。
Jan, 2021
无需训练数据、人工设计特征或离线优化的无目标外参校准算法,能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中,利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。
Nov, 2023
从 LiDAR 和图像直接生成地面实况视差图以产生大量且多样化的数据集,并通过 LiDAR 与图像间的配准细化方法来避免精度损失和处理遮挡,从而实现了在不同数据集中评估 11 种密集匹配方法,其中 GANet 在相同的训练和测试数据上表现最佳,而 PSMNet 在不同数据集上表现稳健,并提出了在有限数据集上进行训练的最佳策略。
Feb, 2024
本文提出了一种高计算效率、稳健性强的新型密集亚像素视差估计算法,通过将目标帧的透视视图变换为基准视图,在保证匹配精度的同时提高了处理速度。此外,还介绍了一种新的基于马尔可夫随机场和快速双边立体的视差全局细化方法,能够进一步提高估计视差图的精度。实验结果表明,重建的绝对误差在 0.1 至 3 毫米之间。
Jul, 2018
该篇论文介绍了一种通过多视角卫星图像获取完整三维表面网格的方法,并通过优化表面与梯度下降算法对数字高程模型进行完善,同时展示了该方法通过卫星数据可用于立面结构等的三维几何重建。
May, 2020
本文提出了一个新的点云质量评估度量 (PQM),包括完整度子度量、伪迹得分子度量、准确性子度量和分辨率子度量,通过一个原型数据集的消融研究显示出了每个子度量的有效性,并将其与流行的点云距离度量进行了比较。我们通过使用三个 LiDAR SLAM 系统生成地图,评估了它们的输出地图质量并证明了该指标对噪声和伪迹的稳健性。
Jun, 2023