概述
重疊度、穩定的視覺特徵、校正以及合適的控制資訊,決定了重建結果在製圖、測量或視覺化方面的實用性。
深入探討
基於特徵的流程會尋找並比對重疊照片中可識別的場景點。運動恢復結構(Structure-from-Motion)會估算相機位姿與稀疏的 3D 結構,接著透過束調整(bundle adjustment)將重投影誤差降至最低,以精確化重建結果。多視角立體視覺(Multi-View Stereo)則利用相機資訊建立更密集的幾何模型,進而進行網格化與貼圖。僅靠影像的重建無法自動建立真實世界的比例與座標;必須透過測量地面控制點或其他合適的參考資料來提供這些約束條件。拍攝時應提供重疊的視角與可比對的紋理。移動物體、紋理微弱以及變化的反射可能會破壞對應關係。準確度必須針對實際的拍攝與控制設定進行測量,而非僅憑軟體名稱或未經證實的次公分級承諾來推斷。
現實世界的實施
基於無人機的航空勘測產生建築和採礦場地的地形圖和體積估計
將考古遺址和博物館文物數位化為高保真 3D 模型以供保存和研究
為電玩遊戲和電影視覺效果創建逼真的 3D 掃描資產(岩石、牆壁、道具)
法醫犯罪現場和事故重建,從照片中捕獲精確可測量的 3D 記錄
攝影測量的未來
攝影測量越來越多地與神經方法融合。 SuperPoint 和 SuperGlue 等學習特徵匹配器在硬場景上的表現優於經典偵測器,神經渲染(NeRF、高斯潑濺)正在與攝影測量相結合,以填補空白並產生逼真、可重新照明的資產。期待更嚴格的即時移動捕捉、自動 LiDAR 相機融合以及消除移動物體和反射的 AI 清理,從而在消費性手機上實現可靠的 3D 重建例程。
付諸實踐
為什麼這很重要
- 速度與規模. 視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
- 配裝選擇. 創意團隊可以透過更少的手動修改來更快地建立概念原型。
- 團隊與工作流程. 操作可以使用以前難以處理的影像和視訊訊號。
留意
- 如果出處不明,肖像權和同意可能會成為法律風險。
- 模型表現可能因光照、人口統計和環境的不同而有所不同。
- 除非監控置信閾值,否則誤報可能會被忽略。
後續步驟
- 定義精確度、召回率和錯誤成本的接受標準。
- 使用符合實際生產條件的數據進行測試。
- 為低置信度或高影響力的預測添加人工審核。
- 追蹤模型漂移並在相機或資料集變更後重新驗證。
不斷探索
常見問題
什麼是攝影測量法?
攝影測量法透過同一場景的照片來估算幾何形狀與相機之間的關係。重疊度、穩定的視覺特徵、校正以及合適的控制資訊,決定了重建結果在製圖、測量或視覺化方面的實用性。
攝影測量工作對輸入照片的主要要求是什麼?
攝影測量透過匹配從多個視點拍攝的照片中的相同特徵來對 3D 點進行三角測量,因此大量的重疊和角度變化至關重要。
運動結構 (SfM) 計算什麼?
SfM 根據影像集中的特徵匹配來聯合估計每個相機的姿態和稀疏 3D 點雲。
捆綁調整可以最大限度地減少什麼?
捆綁調整是一種大型最小二乘優化,可最大限度地減少觀察到的影像點與估計 3D 點的重投影之間的差異。
SfM 之後多視圖立體 (MVS) 的作用是什麼?
MVS 使用 SfM 中的已知相機姿勢產生具有數百萬個點的密集重建,這些點可以進行網格劃分和紋理化。
為什麼地面控制點 (GCP) 經常用於測量級攝影測量?
GCP 是具有已知座標的測量標記,可將重建與現實世界的參考系連結起來,從而提高度量精度和規模。