Mve: Pemandangan untuk titik padat

Dibuat pada 22 Apr 2016  ·  8Komentar  ·  Sumber: simonfuhrmann/mve

Skema pemfilteran titik padat lainnya adalah berbasis penglihatan, yaitu menggunakan penglihatan setiap titik ke kamera terkait dan menunjukkan hasil yang sangat baik juga. Tapi saya belum melihat informasi ini di cloud titik keluaran oleh mve. Apakah ini akan dipertimbangkan dan skema baru dapat digabungkan?

PS: lebih banyak informasi yang digunakan menyiratkan lebih banyak potensi untuk hasil yang lebih baik~

ref:
https://github.com/cdcseacave/openMVS

Vu HH, Labatut P, ​​Pons JP, dkk. Akurasi tinggi dan stereo multiview padat visibilitas-konsisten[J]. Analisis Pola dan Kecerdasan Mesin, Transaksi IEEE pada 2012, 34(5): 889-901.

https://www.acute3d.com/

Komentar yang paling membantu

Sejauh yang saya tahu, perbedaan antara pendekatan-pendekatan itu sangat parah.

1) Jaring permukaan dibangun dari cloud titik semi-jarang, sementara MVE (FSSR) membangunnya di titik ultra-padat
2) MVS yang sebenarnya dilakukan pada mesh itu sendiri dengan optimasi, sedangkan di MVE dilakukan dengan menggunakan peta kedalaman

Langkah pertama membutuhkan tetrahedralisasi dalam optimasi global, seperti yang disebutkan Pierre. Tetrahedralisasi itu sendiri sangat buruk, bahkan tidak termasuk optimasi untuk menentukan konektivitas. Bagi saya tampaknya pendekatannya sangat berbeda sehingga saya bahkan tidak ingin berpikir untuk menikahi mereka.

Dan yah, bahkan kode sumber terbuka pun bisa jelek. Sebenarnya itu satu-satunya kode yang bisa jelek karena Anda tidak bisa melihat yang dekat. ;-)

Semua 8 komentar

Karya yang dirujuk menggunakan teknik rekonstruksi yang secara fundamental berbeda dari MVE. Saya sadar akan pekerjaan ini. Informasi garis pandang terutama digunakan untuk pengoptimalan permukaan, tetapi MVE tidak melakukan pengoptimalan global apa pun di setiap tahap jalur pipa (kecuali BA tentu saja). Saya ragu bahwa teknik ini, atau dapat, diintegrasikan ke dalam MVE. Setidaknya saya tidak tahu caranya.

Sepengetahuan saya, kedua teknik tersebut mencakup empat tahap:

1 generasi awan titik padat dengan menggabungkan peta kedalaman di setiap tampilan
2 rekonstruksi permukaan/jala (titik awan -> wajah segitiga)
3 optimasi permukaan/jaring (global atau lokal)
4 tekstur

Perbedaan utama antara dua teknik adalah rekonstruksi permukaan, fssr untuk mve, pemilihan wajah (triangulasi delaunay + st cut) untuk pekerjaan mereka. Garis pandang memainkan peran penting untuk rekonstruksi permukaan tidak hanya untuk optimasi permukaan dalam pekerjaan mereka. Hasil dari tren fssr menjadi halus sedangkan metode berbasis pemilihan wajah dapat menjaga tepi tajam.

Menurut pendapat saya, pemandangan garis secara opsional harus diekspor setelah tahap pertama, kemudian tahap rekonstruksi permukaan baru dapat dikembangkan, terakhir lakukan tekstur yang sama.

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

Satu kesulitan tambahan adalah bahwa tidak ada perpustakaan tetrahedralisasi Delaunay berlisensi yang permisif.
http://doc.cgal.org/latest/Triangulation_3/index.html#Chapter_3D_Triangulations => GPL
http://wias-berlin.de/software/tetgen/ => AGPL
Perhatikan bahwa MVE menggunakan lisensi permisif.

cgal adalah apa yang digunakan openmvs, openmvs mencoba menerapkan skema pemilihan wajah, tetapi kode mereka sangat sangat jelek~

Saya tidak akan pernah mengatakan bahwa kode sumber terbuka itu jelek, ini sangat tidak baik terhadap penulisnya
Menempatkan sesuatu sebagai open source dan membiarkannya dapat digunakan oleh siapa saja adalah hal yang menyenangkan.
PS: Anda harus mencatat bahwa tidak ada implementasi open source "line of sight" lain di luar sana.
OpenMVS mengimplementasikan potongan grah dari triangulasi delaunay tetrahedra secara umum (memungkinkan untuk menggunakan berbagai algoritma potongan grafik) dan dengan dan tanpa visibilitas permukaan yang lemah.

Sejauh yang saya tahu, perbedaan antara pendekatan-pendekatan itu sangat parah.

1) Jaring permukaan dibangun dari cloud titik semi-jarang, sementara MVE (FSSR) membangunnya di titik ultra-padat
2) MVS yang sebenarnya dilakukan pada mesh itu sendiri dengan optimasi, sedangkan di MVE dilakukan dengan menggunakan peta kedalaman

Langkah pertama membutuhkan tetrahedralisasi dalam optimasi global, seperti yang disebutkan Pierre. Tetrahedralisasi itu sendiri sangat buruk, bahkan tidak termasuk optimasi untuk menentukan konektivitas. Bagi saya tampaknya pendekatannya sangat berbeda sehingga saya bahkan tidak ingin berpikir untuk menikahi mereka.

Dan yah, bahkan kode sumber terbuka pun bisa jelek. Sebenarnya itu satu-satunya kode yang bisa jelek karena Anda tidak bisa melihat yang dekat. ;-)

Ya, salahku, opensource harus dihormati. Hanya karena saya menghabiskan beberapa waktu untuk mempelajarinya dan merasa agak sulit untuk memahami dan buggy yang tidak seanggun MVE, terima kasih~

Saya sudah cukup sering bermain dengan Theia dan OpenMVS. @daleydeng Saya setuju ada beberapa bug di OpenMVS yang sepenuhnya memblokir proses rekonstruksi Anda dan memerlukan debugging.

Saya telah menemukan bahwa OpenMVS menghasilkan model yang cukup bagus ketika melewatkan proses pemadatan dan langsung merekonstruksi input yang jarang dan kemudian memperbaikinya. Saya BENAR-BENAR ingin implementasi CUDA dari Refine berfungsi, tetapi memiliki masalah penautan yang belum dapat saya habiskan waktu untuk menyelesaikannya. Proses ini cukup cepat karena sparse cloud mengandung poin yang jauh lebih sedikit dan umumnya menghasilkan mesh akhir yang memiliki jumlah poligon yang dapat ditoleransi juga.

Menjalankan Densify+Reconstruct+Refine membutuhkan waktu JAUH lebih lama dan menghasilkan mesh yang sangat besar. Namun kualitasnya lebih baik saat mengisi area yang jarang tercakup.

Teksturnya juga sangat bagus, dan saya menghargai bahwa OpenMVS menawarkan paket lengkap dan open source.

Saya tertarik sekarang di MVE dan berharap untuk belajar lebih banyak.

Apakah halaman ini membantu?
0 / 5 - 0 peringkat

Masalah terkait

HelliceSaouli picture HelliceSaouli  ·  14Komentar

Jus80687 picture Jus80687  ·  11Komentar

HelliceSaouli picture HelliceSaouli  ·  12Komentar

GustavoCamargoRL picture GustavoCamargoRL  ·  13Komentar

MaxDidIt picture MaxDidIt  ·  30Komentar