离散动态物体的单次成像
本文介绍了一种重建 4D 时间连续场景模型的方法,该方法使用多个移动相机进行重建,可以重建动态或静态物体,同时将稀疏 - 稠密时序对应与联合多视角分割和重建结合使用,利用时间上的连续性克服了视觉歧义,并通过引入测地线星凸性的约束实现了具有鲁棒性的动态物体分割和重建。
Mar, 2016
提出了一种基于融合数据的三维成像方法,利用单像素单光子探测器和毫米波雷达从多个角度捕捉场景的时间直方图,通过使用人工神经网络从一维融合时序数据中重建三维信息,成功消除对称模糊并提高了重建图像的质量。
Oct, 2023
本文提出了一种用于从 LiDAR 重建大规模城市场景的动态表面重建方法,通过全局优化降低预测表面与输入 LiDAR 扫描数据的距离,实现了对刚性移动物体的运动补偿,并展示了该系统在自动标记局部注释序列和生成难以标记问题的真实注释方面的应用。
Jun, 2024
本文提出了一种新的单目密集三维重建方法,利用超像素过分割模拟动态场景,并减少结构运动中固有的相对尺度模糊问题。经实验表明,该方法在合成和真实单目序列方面相对优于业界最先进的方法。
Aug, 2017
在木材工业中,通过在运动传送带上的几个源位置进行离散 X 射线扫描,通常可以对木材进行质量筛选。本文提出了一种基于学习的原始 - 对偶神经网络的迭代重建方法,适用于顺序扫描几何。我们的方法在重建过程中累积了相邻切片之间的信息,而不仅仅考虑单个切片。通过定量和定性评估,我们的方法在仅使用五个源位置时能够准确重建木材,并识别出节(枝)、心材和边材等生物特征。
Mar, 2024
该论文介绍了一种不需要先验知识的方法,利用多视角相机从复杂动态场景中获取 4D 的、时间相干的场景模型的无监督重构,并通过应用于自由视角渲染和虚拟现实中,改善了非刚性对象分割和形状重构的精度。
Jul, 2019
本研究提出了一种基于隐式神经表示和基于参数的运动场形变的重建流程,用于快速变形场景的有限视角 4D-CT 重建,并演示了其对周期性运动的重建能力和对现有最先进技术的验证。
Apr, 2021
本文提出一种多个投影图案的图像重建方法,可以在不需要几何标定的情况下实现一张图像内多组深度图像序列,实验结果表明该方法具有出色的效果和良好的实用性。
Oct, 2017
使用分布式隐式神经表示 (DINR) 网络进行 4D 时间空间重建的新方法,通过迭代优化网络参数,以使测量的投影图像最符合 CT 前向测量模型的输出。
Apr, 2024