คู่มือ AI แบบเห็นภาพ

โครงสร้างจากการเคลื่อนไหว

โครงสร้างจาก Motion (SfM) สร้างเรขาคณิตของฉาก 3 มิติขึ้นมาใหม่และตำแหน่งกล้องจากชุดภาพถ่าย 2 มิติที่ทับซ้อนกันซึ่งถ่ายจากมุมมองที่แตกต่างกัน

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของโครงสร้างจากการเคลื่อนไหว
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

เป็นหัวใจหลักของการทำแผนที่ 3 มิติ โฟโตแกรมเมทรี และไปป์ไลน์การฟื้นฟูที่ทันสมัย

เจาะลึก

SfM แก้ปัญหาสิ่งที่ไม่ทราบที่มาพร้อมกันสองตัวพร้อมกัน ได้แก่ ตำแหน่งที่กล้องแต่ละตัวอยู่ที่ไหนเมื่อถ่ายภาพ และตำแหน่งของจุด 3 มิติในโลก เริ่มต้นด้วยการตรวจจับจุดคุณลักษณะที่โดดเด่น (โดยใช้ตัวตรวจจับ เช่น SIFT) ในทุกภาพ จากนั้นจับคู่จุดทางกายภาพเดียวกันในภาพถ่ายหลายภาพ การใช้ความสอดคล้องเหล่านี้และเรขาคณิตของวิธีที่จุด 3 มิติฉายภาพบนภาพ 2 มิติ ระบบจะประมาณการวางตำแหน่งกล้องสัมพันธ์ผ่านเรขาคณิตแบบเอพิโพลาร์ จุดต่างๆ จะถูกจัดวางเป็นรูปสามเหลี่ยมในระบบคลาวด์ 3 มิติแบบกระจัดกระจาย และการเพิ่มประสิทธิภาพระดับโลกที่เรียกว่าการปรับแบบมัดจะปรับแต่งกล้องทั้งหมดและจุดต่างๆ เข้าด้วยกันเพื่อลดข้อผิดพลาดในการฉายภาพใหม่ ผลลัพธ์ที่ได้คือเมฆจุดกระจัดกระจายบวกกับตำแหน่งกล้องที่ปรับเทียบแล้ว ซึ่งเป็นโครงสำคัญที่วิธีการสร้างใหม่ให้หนาแน่นยิ่งขึ้นสร้างขึ้น

การใช้งานจริงในโลกแห่งความเป็นจริง

โดรนโฟโตแกรมเมทรีที่เปลี่ยนชุดภาพถ่ายทางอากาศให้เป็นภูมิประเทศ 3 มิติและแบบจำลองอาคารสำหรับการสำรวจ

การกู้คืนท่ากล้องเพื่อบูตการสร้างฉาก NeRF และ Gaussian Splatting ขึ้นมาใหม่

อนุรักษ์มรดกทางวัฒนธรรมและรูปปั้นในรูปแบบดิจิทัลในรูปแบบ 3 มิติจากคอลเลกชันภาพถ่ายนักท่องเที่ยว

การสร้างฉากอาชญากรรมหรืออุบัติเหตุขึ้นใหม่ในรูปแบบ 3 มิติจากภาพถ่ายของผู้สืบสวนเพื่อการวิเคราะห์ทางนิติเวช

อนาคตของโครงสร้างจากการเคลื่อนไหว

SfM ถูกหลอมรวมเข้ากับการเรียนรู้เชิงลึกมากขึ้น: ตัวตรวจจับและตัวจับคู่ฟีเจอร์ที่เรียนรู้ (เช่น SuperPoint และ SuperGlue) จัดการกับฉากที่ไม่มีพื้นผิวหรือซ้ำซากซึ่ง SIFT แบบคลาสสิกประสบปัญหา นอกจากนี้ยังป้อนการนำเสนอฉากนิวรัล เช่น NeRF และ Gaussian Splatting ซึ่งต้องใช้กล้องโพสท่าที่ SfM จัดให้ คาดหวังไปป์ไลน์แบบ end-to-end ที่เร็วขึ้นและแข็งแกร่งยิ่งขึ้น SfM แบบเรียลไทม์บนโทรศัพท์สำหรับ AR และการเชื่อมต่อกับ SLAM ที่แน่นหนายิ่งขึ้นสำหรับการทำแผนที่สดในหุ่นยนต์และการนำทางอัตโนมัติ

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
  • สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
  • ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก

ระวัง

  • สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
  • ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
  • ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น

ขั้นตอนต่อไป

  1. กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
  2. ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
  3. เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
  4. ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Structure from Motion quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

โครงสร้างจากการเคลื่อนที่คืออะไร?

โครงสร้างจาก Motion (SfM) สร้างเรขาคณิตของฉาก 3 มิติขึ้นมาใหม่และตำแหน่งกล้องจากชุดภาพถ่าย 2 มิติที่ทับซ้อนกันซึ่งถ่ายจากมุมมองที่แตกต่างกัน มันเป็นแกนหลักของการทำแผนที่ 3 มิติ โฟโตแกรมเมทรี และไปป์ไลน์การฟื้นฟูที่ทันสมัย

Structure จาก Motion ประมาณสองสิ่งอะไรพร้อมกัน?

SfM ร่วมกันแก้ปัญหาเรขาคณิต 3 มิติของฉากและตำแหน่งของกล้องแต่ละตัวเมื่อจับภาพแต่ละภาพ

บทบาทของการจับคู่คุณสมบัติใน SfM คืออะไร?

การจับคู่คุณสมบัติที่ตรวจพบ (เช่น จุดสำคัญ SIFT) ในภาพถ่ายให้ความสอดคล้องที่จำเป็นในการอนุมานรูปทรงเรขาคณิต

การปรับชุดรวมเพิ่มประสิทธิภาพอะไร?

การปรับแบบกลุ่มคือการปรับแต่งกำลังสองน้อยที่สุดแบบไม่เชิงเส้นทั่วโลก เพื่อลดช่องว่างพิกเซลระหว่างจุดที่สังเกตและจุดที่ฉาย

โดยทั่วไปแล้ว SfM เอาต์พุต 3D ประเภทใดจะสร้างโดยตรง

SfM ให้ชุดจุดสามเหลี่ยมและตำแหน่งกล้องกระจัดกระจาย จำเป็นต้องใช้วิธีการที่มีความหนาแน่นมากขึ้นสำหรับพื้นผิวทั้งหมด

แนวคิดทางเรขาคณิตใดเกี่ยวข้องกับจุดที่สอดคล้องกันระหว่างมุมมองกล้องสองตัว

เรขาคณิตแบบเอปิโพลาร์จำกัดจุดที่มองเห็นในภาพหนึ่งสามารถปรากฏในอีกภาพหนึ่งได้ จึงสามารถประมาณท่าทางได้

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →