一种面向室内模型结构化重建的模型匹配方法

室内场景的三维重建方法可分为基于RGBD影像和SLAM的数据驱动方法以及基于室内场景模型库的模型驱动方法(结构化重建方法)两种。结构化重建方法中最关键的一个环节就是建立室内场景目标与模型库模型之间的对应关系。针对基于扫描点云的室内场景结构化重建问题,提出了一种基于主成分变换和格网化的模型匹配方法,并通过实验证明了该方法能快速可靠地获取结构匹配结果,为室内三维场景的自动结构化重建提供了新的技术方法。

大尺度多视立体深度估计网络S-MVSNet

针对现有估计网络空间复杂度高、难以处理高分辨率影像的问题,提出了一种大尺度多视立体深度估计网络(scalable multi-view stereo network,S-MVSNet)。以R-MVSNet为基础,提出一种轻量级的多尺度特征提取网络MiniUNet来降低空间复杂度;结合多尺度循环神经网络(multi-scale recurrent neural network,MS-RNN)来提升正则化网络的感受野;设计半全局正则化(semi-global regularization,SGR)方法将3D正则化问题转化为两个方向上的2D序列正则化问题,以提升深度估计的精度。在DTU、ETH3D及Tanks and Temples数据集上进行测试,测试结果表明,S-MVSNet能在8 GB显存下处理2K影像,支持的最大输入分辨率是RMVSNet的2.25倍,平均精度较R-MVSNet提升11%。