一种自适应屏幕空间网格化方法用于法线积分
本文提出了一种正常积分的高效方法,其中包含非矩形域、自由边界和深度不连续性,同时,对于可以将场景分成不连续部分的场景处理非连续表面的方法,Mumford-Shah分割方法和各向异性扩散被证明是恢复不连续性最有效的。
Sep, 2017
本论文研究了从RGB视频中重建三维物体网格的方法,结合多视角几何和数据驱动方法来优化物体网格以适应多视角光度一致性,并通过形状先验来约束网格变形。作者采用逐片图像对齐的形式,通过光度误差更新形状参数,无需深度或掩膜信息。此外,作者还展示了如何通过虚拟视点的光栅化来避免零光度梯度导致的退化问题,并展示了采用光度网格优化的方法从合成和真实视频中获得的三维物体网格重建结果,相比于传统的网格生成网络或表面重建方法,避免了繁琐的手动后处理。
Mar, 2019
本文介绍了一种基于三种滤波器的表面法线估计方法,适用于结构化的深度图像。作者使用三个大型的合成数据集以及比较其他基于几何的表面法线估计方法,证明了该方法的优越性,并提供了公共数据集和源代码。
May, 2020
提出了一种新的单幅图像深度估计方法,使用自适应表面法线约束,可以有效地将深度估计与几何一致性相关联,从而重建出准确的 3D 几何形状,其稳健性强,并在公共数据集上优于现有技术。
Mar, 2021
该研究介绍了第一个基于端到端学习的解决方案,用于近场光度立体成像,在这种情况下,光源靠近所感兴趣的目标。研究者们使用递归多分辨率方案来估计每个步骤中整个图像的表面法线和深度图,并且预测的每个尺度的深度图然后用于估计下一个尺度的每像素照明。该方法比使用迭代优化的最先进的近场PS重建技术快45倍,精度更高。
Mar, 2022
SuperNormal是一种快速、高保真度的多视图3D重建方法,利用表面法线图生成详细表面,通过多分辨率哈希编码和基于路径的射线行进来优化神经有符号距离函数(SDF)的体积渲染,相较于现有的多视图光度立体重建方法,在效率和准确性上表现卓越。
Dec, 2023
我们提出了一种新颖的方法,可以从图像中学习深度和表面法线等几何特征,同时结合几何背景。通过动态确定可靠的局部几何特征并评估其几何背景的有效性,我们建立了一个表面法线约束,从而实现了准确捕捉图像的3D几何信息。通过几何背景的整合,我们的方法在室内外多样化数据集上进行了广泛的评估和比较,证明了其高效性和稳健性。
Feb, 2024
许多表面重建方法包括法线积分,即从表面梯度获取深度图的过程。为了从导入的法线图中重建准确的深度图,必须处理由跳跃引起的隐藏表面梯度。为了正确建模这些跳跃,我们为法线积分的域设计了一种新的离散化方案。我们的核心思想是引入辅助边,在域中连接分块平滑的路径,以明确表示隐藏跳跃的大小。利用辅助边,我们设计了一种新的算法来优化输入法线图中的不连续性和深度图。我们的方法通过使用迭代加权最小二乘和辅助边上跳跃值的迭代滤波的组合来优化不连续性,从而提供强的稀疏正则化。与先前的保持不连续性的法线积分方法相比,我们的方法通过明确表示跳跃,允许强的稀疏正则化,从而准确地重建微小的不连续性。
Apr, 2024