LegközelebbKövetkező útmutató
AnimateDiff mozgásgenerálás
Vizuális AI
Vizuális MI ÚTMUTATÓ
A Mozgásból származó szerkezet (SfM) különböző nézőpontokból készült, egymást átfedő 2D-s fényképekből rekonstruálja a 3D-s jelenetgeometriát és a kamerapozíciókat.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez a 3D térképezés, a fotogrammetria és a modern rekonstrukciós vezetékek gerincét képezi.
Az SfM egyszerre két összekapcsolt ismeretlent old meg: hol voltak az egyes kamerák, amikor fényképet készítettek, és hol helyezkednek el a világ 3D-s pontjai. Kezdje azzal, hogy minden képen felismeri a megkülönböztető jellemző pontokat (detektorok, például SIFT segítségével), majd több fotón ugyanazt a fizikai pontot egyezteti. Ezeket az összefüggéseket és a 3D-s pontok 2D-s képekre vetítésének geometriáját felhasználva a rendszer az epipoláris geometrián keresztül megbecsüli a kamera relatív pózát. A pontok egy ritka 3D-s felhővé vannak háromszögelve, és a kötegbeállításnak nevezett globális optimalizálás finomítja az összes kamerát és pontot az újravetítési hiba minimalizálása érdekében. Az eredmény egy ritka pontfelhő plusz kalibrált kamerapozíciók – az alapvető állvány, amelyre a sűrűbb rekonstrukciós módszerek épülnek.
Drónfotogrammetria, amely a légifotó-készleteket 3D-s domborzattá alakítja, és modelleket készít a felméréshez
Helyreállítja a kamerapózokat a Bootstrap NeRF és a Gaussian Splatting jelenet rekonstrukciójához
Kulturális örökség helyszíneinek és szobrainak digitális megőrzése turisztikai fotógyűjtemények 3D-s modelljeként
Bűnügyi vagy baleseti helyszínek rekonstrukciója 3D-ben a nyomozók fényképei alapján kriminalisztikai elemzés céljából
Az SfM egyre inkább egybeolvad a mély tanulással: a tanult funkciódetektorok és -illesztők (például a SuperPoint és a SuperGlue) kezelik a textúra nélküli vagy ismétlődő jeleneteket, amelyekkel a klasszikus SIFT küzd. Ezenkívül táplálja a neurális jelenetek reprezentációit is, mint például a NeRF és a Gaussian Splatting, amelyekhez szükség van az SfM által biztosított kamerapózokra. Gyorsabb, robusztusabb végpontok közötti csővezetékek, valós idejű SfM az AR telefonokon és szorosabb kapcsolódás a SLAM-mel a robotika és az autonóm navigáció élő térképezéséhez.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A Mozgásból származó szerkezet (SfM) különböző nézőpontokból készült, egymást átfedő 2D-s fényképekből rekonstruálja a 3D-s jelenetgeometriát és a kamerapozíciókat. Ez a gerince a 3D-s térképezésnek, a fotogrammetriának és a modern rekonstrukciós csővezetékeknek.
Az SfM közösen megoldja a jelenet 3D geometriáját és azt, hogy az egyes kamerák hol voltak, amikor az egyes képeket rögzítették.
Az észlelt jellemzők (pl. SIFT-kulcspontok) fotók közötti egyeztetése megadja a geometria következtetéséhez szükséges megfeleltetéseket.
A kötegbeállítás egy globális nemlineáris legkisebb négyzetek finomítása, amely minimalizálja a megfigyelt és a kivetített pontok közötti pixelrést.
Az SfM háromszögletű pontok és kamerapozíciók ritka halmazát adja; sűrűbb módszerek szükségesek a teljes felületekhez.
Az epipoláris geometria korlátozza, hogy az egyik képen látható pont hol jelenhet meg a másikon, lehetővé téve a pózbecslést.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AnimateDiff mozgásgenerálás
Vizuális AI