通过增量运动结构实现三维重建.pdfVIP

通过增量

运动结构实现三维重建

MuhammadZeeshan,UmerZaki,SyedAhmedPashaZaarKhizar

DepartmentofElectricalandComputerEngineeringInstitutPascal

AirUniversityUniversitéClermontAuvergne

Islamabad,PakistanClermont-Ferrand,France

摘要—精确的3D重建是从非结构化图像集合中获取的关细化，从而获得密集的深度图。这些方法在良好的纹理

键要求，在机器人、制图和场景理解等领域具有重要应用。虽然和宽广的摄像机基线[2]等有利条件下具有数学基础且

本全局运动从结构（SfM）技术依赖于完整图像连接性，且可能对准确。

噪声或缺失数据敏感，增量式SfM提供了一个更加灵活的选择。

译增量的SfM方法从初始图像对开始，并通过估计

通过逐步将新视角纳入重建过程，它使得系统能够在稀疏或部分

中重叠的数据集中恢复场景结构和相机运动。在本文中，我们详细它们的姿态和三维点[8]来逐步集成新图像。这种增量

1介绍了增量式SfM流水线的实现方法，重点关注几何估计的一方法对噪声和缺失数据具有鲁棒性，使其适用于大规模

v

9致性和通过束调整进行迭代细化的效果。我们使用一个真实数据重建。束调整通过最小化重投影误差来优化相机参数和

1集演示了该方法，并通过重投影误差和相机轨迹一致性来评估重三维点，提高一致性和准确性[10]。一个显著的例子是

0建质量。结果支持了增量式SfM作为在视觉结构化环境中用于

1COLMAP，一个开源的SfM和MVS流水线[11]。

0稀疏3D重建的一种可靠方法的实用性。

8.IndexTerms—三维重建，运动结构，投影几何，三角测量，最近的发展引入了混合和多摄像头SfM方法，以

0SIFT解决在具有挑战性的场景中的可扩展性和鲁棒性问题。

5

2AdaSfM结合了由IMU和编码器数据辅助的粗略全局

:I.介绍SfM与精细局部增量SfM，以提高大规模场景中的准确

v

i三维重建是计算机视觉中的一个基本任务，它从二性和效率[12]。MCSfM专注于多摄像头系统，使用刚性

x

r

a维图像中恢复现实世界场景的空间结构，将平面图像转单元和两阶段捆绑调整方案实现自动校准和增量重建

换为具有深度和几何形状的模型。基于投影几何、视差[13]。基于线的增量SfM利用几何线特征以及两种观察

约束和图像匹配等原理，三维重建已经从几何方法发展策略：无记忆观测器用于实时姿态更新，移动地平线观

到结合经典和数据驱动方法的混合技术[1]–[3]。它在机测器通过集成测量的简短历史记录以提高稳定性[14]。

器人学[4]、医学成像[2]、文化遗产保护[5]以及智慧最近，深度学习作为一种替代传统方法的方案出现

城市发展中[6]有着广泛应用，提供了改进的空间测量了，基于诸如卷积神经网络等技术来执行诸如深度估计

和场景理解能力。[15]和3D场景理解[16]之类的任务。像MVSNet[17]

传统方法可以分为几何技术，如三角测量[1]、体积这样的模型通过学习外观和几何模式直接从图像预测

融合[7]、运动结构（SfM）[8]和多视图立体视觉（MVS）深度图或体素网格。这些方法通常在无纹理区域和遮挡

[9]。三角测量通过从不同视角交汇光线来估计点的3D