Mve: घने बिंदु के लिए दृष्टि

संदर्भित कार्य एमवीई की तुलना में मौलिक रूप से भिन्न पुनर्निर्माण तकनीक का उपयोग करता है। मुझे इस कार्य की जानकारी है। दृष्टि की जानकारी मुख्य रूप से सतह अनुकूलन के लिए उपयोग की जाती है, लेकिन एमवीई पाइपलाइन के किसी भी चरण में (बेशक बीए को छोड़कर) कोई वैश्विक अनुकूलन नहीं करता है। मुझे संदेह है कि इस तकनीक को एमवीई में एकीकृत किया जा सकता है या किया जा सकता है। कम से कम मुझे नहीं पता कि कैसे।

मेरी जानकारी के लिए, दोनों तकनीकों में चार चरण शामिल हैं:

प्रत्येक दृश्य में गहराई के नक्शे को फ्यूज करके 1 घने बिंदु क्लाउड जनरेशन
2 सतह/जाल पुनर्निर्माण (बिंदु बादल -> त्रिकोण चेहरे)
3 सतह/जाल अनुकूलन (वैश्विक या स्थानीय)
4 बनावट

दो तकनीकों के बीच मुख्य अंतर सतह पुनर्निर्माण, mve के लिए fssr, उनके काम के लिए चेहरे का चयन (delaunay triangulation + st cut) है। न केवल उनके काम में सतह के अनुकूलन के लिए सतह के पुनर्निर्माण के लिए दृष्टि की रेखा एक महत्वपूर्ण भूमिका निभाती है। fssr ट्रेंड का परिणाम स्मूथ हो, जबकि फेस सिलेक्शन बेस्ड मेथड तेज धार रख सकता है।

मेरी राय में, पहले चरण के बाद वैकल्पिक रूप से लाइन की दृष्टि को निर्यात किया जाना चाहिए, फिर नई सतह पुनर्निर्माण चरण विकसित किया जा सकता है, अंत में वही बनावट करें।

https://github.com/cdcseacave/openMVS/wiki/Modules

एक अतिरिक्त कठिनाई यह है कि कोई अनुज्ञेय लाइसेंस प्राप्त Delaunay चतुष्फलकीय पुस्तकालय नहीं है।
http://doc.cgal.org/latest/Triangulation_3/index.html#Chapter_3D_Triangulations => GPL
http://wias-berlin.de/software/tetgen/ => AGPL
ध्यान दें कि एमवीई एक अनुमेय लाइसेंस का उपयोग करता है।

cgal वह है जो openmvs का उपयोग करता है, openmvs चेहरा चयन योजना को लागू करने की कोशिश कर रहा है, लेकिन उनका कोड बहुत बदसूरत है ~

मैं कभी नहीं कहूंगा कि एक ओपन सोर्स कोड बदसूरत है, यह लेखकों के प्रति बहुत दयालु नहीं है
कुछ को ओपन सोर्स के रूप में रखें और इसे किसी के द्वारा प्रयोग करने योग्य होने दें, यह अच्छी बात है।
पीएस: आपको ध्यान देना चाहिए कि वहां अन्य "दृष्टि की रेखा" ओपन सोर्स कार्यान्वयन नहीं है।
OpenMVS एक सामान्य तरीके से (विभिन्न ग्राफ कट एल्गोरिदम का उपयोग करने में सक्षम) और कमजोर सतह दृश्यता के बिना delaunay टेट्राहेड्रा त्रिभुज के ग्राह कट को लागू करता है।

जहाँ तक मुझे पता है, दृष्टिकोणों के बीच अंतर गंभीर हैं।

1) सरफेस मेश को सेमी-स्पैस पॉइंट क्लाउड से बनाया गया है, जबकि MVE (FSSR) इसे अल्ट्रा-डेंस पॉइंट्स पर बनाता है।
2) वास्तविक एमवीएस जाल पर ही अनुकूलन के साथ किया जाता है, जबकि एमवीई में यह गहराई के नक्शे का उपयोग करके किया जाता है

जैसा कि पियरे ने उल्लेख किया है, पहले चरण में वैश्विक अनुकूलन में टेट्राहेड्रलाइज़ेशन की आवश्यकता होती है। टेट्राहेड्रलाइज़ेशन अपने आप में बहुत बुरा है, यहाँ तक कि कनेक्टिविटी निर्धारित करने के लिए अनुकूलन को शामिल करने की बात भी नहीं की जा रही है। मेरे लिए ऐसा लगता है कि दृष्टिकोण इतने अलग हैं कि मैं उनसे शादी करने के बारे में सोचना भी नहीं चाहता।

और ठीक है, यहां तक ​​​​कि ओपन सोर्स कोड भी बदसूरत हो सकता है। वास्तव में यह एकमात्र कोड है जो बदसूरत हो सकता है क्योंकि आप करीबी स्रोत को नहीं देख सकते हैं। ;-)

हाँ, मेरी गलती है, ओपनसोर्स का सम्मान किया जाना चाहिए। सिर्फ इसलिए कि मैंने इसका अध्ययन करने में कुछ समय बिताया और पाया कि इसे समझना थोड़ा कठिन है और छोटी गाड़ी जो एमवीई की तरह सुरुचिपूर्ण नहीं है, वैसे भी धन्यवाद ~

मैं थिया और ओपनएमवीएस के साथ काफी कुछ खेल रहा हूं। @daleydeng मैं सहमत हूँ कि OpenMVS में कुछ बग हैं जो आपकी पुनर्निर्माण प्रक्रिया को पूरी तरह से अवरुद्ध करते हैं और डिबगिंग की आवश्यकता होती है।

मैंने पाया है कि ओपनएमवीएस घनत्व प्रक्रिया को छोड़कर और स्पैस इनपुट को पुनर्निर्माण करने और फिर इसे परिष्कृत करने के लिए सीधे जाने पर बहुत अच्छे मॉडल तैयार करता है। मैं वास्तव में CUDA को Refine वर्किंग के कार्यान्वयन के लिए प्राप्त करना चाहूंगा, लेकिन उन मुद्दों को जोड़ रहा था जिन्हें मैं अभी तक हल करने में समय नहीं लगा पाया हूं। यह प्रक्रिया काफी तेज है क्योंकि विरल बादल में काफी कम अंक होते हैं और आम तौर पर एक अंतिम जाल में परिणाम होता है जिसमें एक सहनीय बहुभुज गणना भी होती है।

Densify+Reconstruct+Refine चलाने में बहुत अधिक समय लगता है और एक बहुत बड़ा जाल तैयार करता है। हालांकि उन क्षेत्रों में भरते समय गुणवत्ता बेहतर होती है जहां स्पैस कवर नहीं होता था।

बनावट भी बहुत अच्छी है, और मैं सराहना करता हूं कि ओपनएमवीएस एक पूर्ण पैकेज प्रदान करता है और खुला स्रोत है।

मैं अब एमवीई में दिलचस्प हूं और और अधिक सीखने के लिए उत्सुक हूं।