|本期目录/Table of Contents|

[1]王一川,等.基于结构光相机与隐式表面重建的室内建模[J].武汉工程大学学报,2024,46(03):317-324.[doi:10.19843/j.cnki.CN42-1779/TQ.202311014]
　WANG Yichuan,WANG Jiakui,et al.Indoor modeling based on structured-light camera andimplicit surface reconstruction[J].Journal of Wuhan Institute of Technology,2024,46(03):317-324.[doi:10.19843/j.cnki.CN42-1779/TQ.202311014]
点击复制

基于结构光相机与隐式表面重建的室内建模(/HTML)
分享到：

《武汉工程大学学报》[ISSN:1674-2869/CN:42-1779/TQ]

卷:
46
期数:
2024年03期
页码:
317-324
栏目:
机电与信息工程
出版日期:
2024-06-30

文章信息/Info

Title:
Indoor modeling based on structured-light camera and
implicit surface reconstruction
文章编号:
1674 - 2869（2024）03 - 0317 - 08
作者:
王一川1;  2; 王家奎3 ; 熊 伦1;  2 ; 余子洋*1;  2
1. 光学信息与模式识别湖北省重点实验室，湖北 武汉 430205；
2. 武汉工程大学光电信息与能源工程学院，湖北 武汉 430205；
3. 武汉唯理科技有限公司，湖北 武汉 430223
Author(s):
WANG Yichuan1;  2; WANG Jiakui3;  XIONG Lun1;  2; YU Ziyang*1;  2
1. Hubei Key Laboratory of Optical Information and Pattern Recognition，Wuhan 430205， China；
2. School of Optical Information and Energy Engineering，Wuhan Institute of Technology，Wuhan 430205， China；
3. Wuhan Veily Technology Co. ，Ltd，Wuhan 430223，China
关键词:
室内建模; 结构光; 神经隐式表面; 三维重建
Keywords:
indoor modeling;  structured light;  neural implicit surfaces;  three dimension reconstruction
分类号:
TP391
DOI:
10.19843/j.cnki.CN42-1779/TQ.202311014
文献标志码:
A
摘要:
深度相机在室内建模领域中以其快速、精准、鲁棒的特性而备受青睐。然而，在实际应用中，深度相机在获取精准深度信息时面临诸多挑战，如环境光干扰、点云噪声众多以及深度缺值。针对上述问题，提出了一种新型的结构光神经隐式表面（SL-NeuS）重建方法。通过结合广泛的三维重建技术，包括多目立体视觉（MVS）、神经网络、神经辐射场和神经隐式表面（NeuS），克服了现有技术在室内建模中的局限性。特别地，利用基于可微分循环优化启发设计的同步定位和建图（DROID-SLAM）算法精确获取相机外参，并结合单目深度估计和单目法向估计先验信息，有效地实现了精确的室内三维建模。实验结果显示，SL-NeuS重建方法在不同深度相机的性能分析中表现优越，成功降低了环境光影响和光学失真对建模精度的干扰。应用该方法对各种室内场景进行建模，误差可控制在极小范围内，实现了高精度的室内三维重建。本方法不仅提高了室内建模的准确性，还大幅减少了训练时间，为数字建筑和数字导航等领域提供了重要的技术支持。

Abstract:
Depth cameras are highly valued in indoor modeling for their rapidness， precision， and robustness. Yet， they encounter challenges such as environmental light interference， point cloud noise， and incomplete data depth. To overcome these hurdles， an innovative structured light neural implicit surface （SL-NeuS） reconstruction method integrates a broad spectrum of 3D reconstruction technologies， including multi-view stereo （MVS）， neural networks， neural radiance fields， and neural implicit surfaces （NeuS）. This method leverages the differentiable recurrent optimization-inspired design simultaneous localization and mapping （DROID-SLAM） algorithm to accurately determine camera extrinsics. By incorporating monocular depth estimation and monocular normal estimation of prior information， it achieves precise indoor 3D modeling. Experimental findings demonstrate that the SL-NeuS reconstruction method excels in performance analysis across diverse depth cameras， effectively minimizing the impact of environmental light and optical distortions on modeling accuracy. Applying this method to model various indoor environments keeps errors within a narrow range， ensuring high-precision indoor 3D reconstruction. In addition to enhancing indoor modeling precision， it significantly reduces training time， offering essential technical support for digital architecture and digital navigation fields.

参考文献/References:

［1］ 马兆敏，郭家祥. 果实定位的机器视觉技术研究现状［J］. 南方农机，2024，55（2）：6-9.

［2］ 肖天行. 基于2D/3D信息融合的易拉罐外观缺陷识别方法研究［D］. 无锡：江南大学，2023.
［3］ 杨航，陈瑞，安仕鹏，等. 深度学习背景下的图像三维重建技术进展综述［J］. 中国图象图形学报，2023，28（8）：2396-2409.
［4］ 王维，高凤娇，刘彤军. 基于NeuS的大场景建筑物构建方法研究［J］. 黑龙江科学，2023，14（10）：51-55.
［5］ YARIV L，KASTEN Y，MORAN D，et al. Multiview neural surface reconstruction by disentangling geometry and appearance［C］//Advances in Neural Information Processing Systems 33 （NeurIPS 2020）. New York：Curran Associates，Inc. ，2020：2492-2502.
［6］ 付雄. 无人车视觉定位及路径规划算法研究［D］. 南京：南京信息工程大学，2023.
［7］ 张沛全，许威威. 哈希编码优化的IRON逆渲染模型：重建几何与材质［J］. 浙江大学学报（理学版），2023，50（6）：754-760，769.
［8］ 冯亚娟. 基于深度学习的MVS三维重建算法研究［D］. 太原：山西大学，2023.
［9］ 李熙. 基于深度学习的图像三维重建算法研究［D］. 成都：电子科技大学，2022.
［10］ AZINOVI? D，MARTIN-BRUALLA R，GOLDMAN D B，et al. Neural RGB-D surface reconstruction［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway：IEEE，2022：6280-6291.
［11］ YU Z H，PENG S Y，NIEMEYER M，et al. MonoSDF：exploring monocular geometric cues for neural implicit surface reconstruction［C］//Advances in Neural Information Processing Systems 35 （NeurIPS 2022）.New York：Curran Associates，Inc.，2022：25018- 25032.
［12］ WANG P， LIU L J， LIU Y， et al. NeuS： learning neural implicit surfaces by volume rendering for multi-view reconstruction［C］//Advances in Neural Information Processing Systems 34 （NeurIPS 2021）. New York：Curran Associates，Inc.，2021：27171-27183.
［13］ 王建森. 基于多任务联合学习的无监督图像逆渲染方法研究［D］. 天津：天津大学，2021.
［14］ EFTEKHAR A，SAX A，MALIK J，et al. Omnidata： a scalable pipeline for making multi-task mid-level vision datasets from 3D scans［C］//2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway：IEEE，2021：10766-10776.
［15］ 李森涛，万旺根，王旭智，等. 基于体积渲染和几何一致性的多视图三维重建［J］. 工业控制计算机，2023，36（10）：98-100.
［16］ 胡荣林，付浩志，何旭琴，等. 基于胶囊卷积网络的多视图三维重建［J］. 南京师范大学学报（工程技术版），2023，23（1）：46-55，92.
［17］ 辛伟. 基于公共线面特征的异源点云配准方法［D］. 重庆：重庆交通大学，2023.
［18］ 唐林瑞泽，白仲鑫，张晓雷. 基于受试者工作特征pAUC优化的人脸识别系统［J］. 太赫兹科学与电子信息学报，2023，21（9）：1150-1155.
［19］ 袁浩瀚. 基于深度学习的图像编码与传输一体化技术研究［D］. 成都：电子科技大学，2023.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2023-11-23
基金项目：国家自然科学基金（91963207）
作者简介：王一川，硕士研究生。Email：[email protected]
*通信作者：余子洋，博士，讲师。 Email：[email protected]
引文格式：王一川，王家奎，熊伦，等. 基于结构光相机与隐式表面重建的室内建模［J］. 武汉工程大学学报，2024，46（3）：317-324.

更新日期/Last Update: 2024-07-02