基于结构先验与协同优化的城市场景分段平面重建

在基于图像的城市场景三维重建中,场景分段平面重建算法可以克服场景中的弱纹理、光照变化等因素的影响而快速恢复场景完整的近似结构.然而,在初始空间点较为稀疏、候选平面集不完备、图像过分割质量较低等问题存在时,可靠性往往较低.为了解决此问题,本文根据城市场景的结构特征构造了一种新颖的融合场景结构先验、空间点可见性与颜色相似性的平面可靠性度量,然后采用图像区域与相应平面协同优化的方式对场景结构进行了推断.实验结果表明,本文算法利用稀疏空间点即可有效重建出完整的场景结构,整体上具有较高的精度与效率.

基于自增强注意力机制的室内单图像分段平面三维重建

基于卷积神经网络(CNN)的分段平面三维重建已然成为室内场景建模研究的焦点之一。针对室内场景中,平面和非平面元素常常交织在一起,导致网络提取的平面特征中掺杂了非平面信息,从而影响了最终分割的精度;且室内场景中的平面存在尺度差异巨大的情况,带来了明显的类别不平衡,小尺度平面实例往往会失真的问题。提出了一种自增强注意力的多尺度特征融合三维分段平面重建网络,该网络能够自动学习场景中的平面特征,并有效地将不同尺度的特征信息融合,从而提升了平面实例分割的精度。同时,通过为平面实例中的每个像素分配不同的权重,特别是增加了对小尺度平面边缘像素的权重值,进一步增强了小尺度平面分割对象的通道表达。最终,采用平衡交叉熵损失和骰子损失构建了一种新的损失函数来训练模型,进一步提升了平面分割的精度。实验证明,该算法在平面召回率和分割准确度方面均取得了显著地提升,能够产生更为准确的室内三维分段平面重建模型。

通道与空间注意力结合的室内场景三维重建

平面分割和参数估计是基于单幅室内场景图像分段平面三维重建的关键技术。目前基于卷积神经网络的方法难以获取全局上下文信息且未充分考虑特征通道间的关系,易造成小平面分割不准确及平面细节丢失,导致对应区域的参数估计出现较大误差。为此,提出了一种特征通道和空间注意力机制融合的卷积神经网络模型,该模型利用通道注意力对网络通道间特征响应进行标定,再结合空间注意力提取编码器中的空间语义信息,使网络也能聚焦于小平面和平面细节。实验表明,提出的方法能显著提高平面分割精度,且深度预测精度达到93.57%,有效提升了场景三维重建精度。