Apr, 2024

$ν$-DBA: 神经隐式密集束调整实现仅基于图像的驾驶场景重建

PDF
TL;DR本文介绍了一种新颖的框架实施几何密集束调整（DBA），使用 3D 神经隐式表面进行地图参数化，通过密集光流预测引导的几何误差来优化地图表面和轨迹姿态，进一步改进了密集 * 映射的质量。我们在多个行驶场景数据集上的实验结果表明，我们的方法在轨迹优化和密集重建精度方面取得了优越的效果。我们还研究了光度误差和不同的神经几何先验对表面重建和新视角合成性能的影响。我们的方法是利用神经隐式表示在密集束调整中实现更准确的轨迹和详细环境映射的重要一步。
bundle adjustmentautonomous drivinggeometric dense bundle adjustment3d neural implicit surfacesdense optical flow prediction
发现论文，激发创造
  • DBA-Fusion: 深度密集视觉捆绑调整与多传感器的紧密集成，用于大规模定位和地图构建

    本研究通过深度神经网络与多传感器信息紧密结合，实现可靠的视觉同时定位与建图，在大规模环境中实现实时的高密度地图构建。

    Mar, 2024

  • BAA-NGP: 捆绑调整加速神经图形基元

    本文提出了一种基于加速采样和哈希编码的框架 BAA-NGP，它能够加快位姿估计、场景重建和新视角合成的处理速度，并在不降低位姿估计质量的情况下，比其他基于束调整的神经辐射场方法提高了十倍至二十倍的速度。

    Jun, 2023

  • 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

  • 直接稀疏映射

    本研究针对现有 Photometric bundle adjustment 系统中无法处理场景重观测的问题，提出基于全单目视觉 SLAM 的 DSM 方案，实现了对场景重观测的持续跟踪和最精准估算，且在 EuRoC 研究中达到了迄今为止的最佳效果。

    Apr, 2019

  • 基于神经渲染的自动驾驶城市场景重建

    利用多模态数据结合深度学习模型进行密集三维重建，从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。

    Feb, 2024

  • 基于视觉 SLAM 的光度捆绑调整

    本文提出了一种新颖的算法，用于直接从图像数据中联合优化结构和运动参数，而无需依赖固定和已知的对应关系。

    Aug, 2016

  • CBARF：基于级联的绑定调整神经辐射场技术在不完全相机位姿下的应用

    我们提出了一种新颖的三维重建框架 CBARF，通过级联更新相机姿态和使用邻近替换策略来优化姿态和合成新视角，实验结果表明 CBARF 在姿态优化和新视角合成方面取得了最先进的性能。

    Oct, 2023

  • 大规模光度捆绑调整

    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

  • BAD-Gaussians：捆绑调整模糊高斯喷塗

    BAD-Gaussians 是一种新的方法，利用显式高斯表示和处理照相机姿势不准确的重度运动模糊图像，实现高质量的场景重建，并通过显式优化控制点云的高斯球来实现实时渲染。

    Mar, 2024

  • 基于事件驱动束调整的去模糊神经辐射场

    提出了用于去模糊的神经光辐射场（NeRF）的事件驱动捆绑调整方法（EBAD-NeRF），该方法通过利用混合事件 - RGB 数据来联合优化可学习的姿势和 NeRF 参数，引入了强化相机运动模糊的强度变化度量事件损失和光度模糊损失，实验证明 EBAD-NeRF 在曝光时间内可以准确获得相机姿势，并学习到比以前的方法更清晰的 3D 表示。

    Jun, 2024