基于深度估计与自我运动联合优化的三维重建

田方正; 高永彬; 方志军; 顾佳

doi:10.13873/J.1000-9787(2022)10-0039-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于深度估计与自我运动联合优化的三维重建

研究与探讨 | 更新时间：2025-09-11

- 基于深度估计与自我运动联合优化的三维重建
- 基于深度估计与自我运动联合优化的三维重建
- 传感器与微系统 2022年第10期页码：39-42+46
- 作者机构：
  
  上海工程技术大学电子电气工程学院
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2022)10-0039-04
  中图分类号： TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
田方正, 高永彬, 方志军, 等. 基于深度估计与自我运动联合优化的三维重建[J]. 传感器与微系统, 2022,(10):39-42+46.

基于深度估计与自我运动联合优化的三维重建[J]. 2022, (10): 39-42+46.
田方正, 高永彬, 方志军, 等. 基于深度估计与自我运动联合优化的三维重建[J]. 传感器与微系统, 2022,(10):39-42+46. DOI： 10.13873/J.1000-9787(2022)10-0039-04.

基于深度估计与自我运动联合优化的三维重建[J]. 2022, (10): 39-42+46. DOI： 10.13873/J.1000-9787(2022)10-0039-04.

摘要

机器人安全导航或执行高级任务时需要稠密的三维重建。图像准确的深度信息以及位姿是三维重建的基础。RGB-D相机获得的深度图的分辨率较低、精度有限，而且RGB-D相机易受玻璃或者纯黑色物体的影响，传统的位姿计算方法不够准确。为了解决这些问题，提出了一种三维重建系统，使用神经网络预测RGB图像的深度以及位姿，然后进行重建。针对物体的轮廓会对深度图的最终预测起决定性作用的问题，提出了轮廓损失函数。针对RGB图像易受光线以及噪声影响的问题，首次增加了RGB图像的特征图作为网络的输入。设计了特征损失来联合优化深度估计和自我运动。在TUM RGB-D

ICL-NUIM数据集上，明显提高了深度图的质量、定位结果以及三维重建的效果。

Abstract

ICL-NUIM数据集上，明显提高了深度图的质量、定位结果以及三维重建的效果。

关键词

Keywords

references

Sparse2Dense: From Direct Sparse Odometry to Dense 3-D Reconstruction. [J] . Jiexiong Tang,John Folkesson,Patric Jensfelt. IEEE Robotics and Automation Letters . 2019 (2)

Single-View and Multi-View Depth Fusion [J] . Facil Jose M.,Concha Alejo,Montesano Luis,Civera Javier. IEEE Robotics and Automation Letters . 2017 (4)

Very Deep Convolutional Networks for Large-Scale Image Recognition. [J] . Karen Simonyan,Andrew Zisserman. CoRR . 2014

浏览量

254

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据