論文の概要: Efficient View Clustering and Selection for City-Scale 3D Reconstruction
- arxiv url: http://arxiv.org/abs/2207.08434v1
- Date: Mon, 18 Jul 2022 08:33:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 17:16:47.627208
- Title: Efficient View Clustering and Selection for City-Scale 3D Reconstruction
- Title(参考訳): 都市規模3次元復元のための効率的なビュークラスタリングと選択
- Authors: Marco Orsingher, Paolo Zani, Paolo Medici, Massimo Bertozzi
- Abstract要約: 本稿では,MVSアルゴリズムを任意の画像集合に拡張するための新しい手法を提案する。
提案手法は、ポーズと幾何学のほぼ均一な分布を利用して、重なり合うクラスタの集合を構築する。
クラスタリングはペアの可視情報とは独立しているため、提案アルゴリズムは既存の文献よりも高速に動作し、大規模な並列化を可能にする。
- 参考スコア(独自算出の注目度): 1.1011268090482573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image datasets have been steadily growing in size, harming the feasibility
and efficiency of large-scale 3D reconstruction methods. In this paper, a novel
approach for scaling Multi-View Stereo (MVS) algorithms up to arbitrarily large
collections of images is proposed. Specifically, the problem of reconstructing
the 3D model of an entire city is targeted, starting from a set of videos
acquired by a moving vehicle equipped with several high-resolution cameras.
Initially, the presented method exploits an approximately uniform distribution
of poses and geometry and builds a set of overlapping clusters. Then, an
Integer Linear Programming (ILP) problem is formulated for each cluster to
select an optimal subset of views that guarantees both visibility and
matchability. Finally, local point clouds for each cluster are separately
computed and merged. Since clustering is independent from pairwise visibility
information, the proposed algorithm runs faster than existing literature and
allows for a massive parallelization. Extensive testing on urban data are
discussed to show the effectiveness and the scalability of this approach.
- Abstract(参考訳): 画像データセットのサイズは着実に増加しており、大規模な3D再構成手法の実現可能性と効率を損なう。
本稿では,多視点ステレオ(mvs)アルゴリズムを任意に大規模な画像群にスケールアップする新しい手法を提案する。
具体的には、複数の高解像度カメラを備えた移動車両によって取得された一連の映像から、都市全体の3dモデルを再構築する問題をターゲットにする。
当初、提案手法はポーズと幾何学のほぼ均一な分布を利用し、重なり合うクラスタの集合を構築する。
次に、各クラスタにILP(Integer Linear Programming)問題を定式化し、可視性と整合性の両方を保証するビューの最適なサブセットを選択する。
最後に、各クラスタのローカルポイントクラウドを別々に計算してマージする。
クラスタリングはペアの可視情報とは独立しているため、提案アルゴリズムは既存の文献よりも高速に動作し、大規模な並列化を可能にする。
本手法の有効性と拡張性を示すため,都市データに対する大規模なテストについて論じる。
関連論文リスト
- One for all: A novel Dual-space Co-training baseline for Large-scale
Multi-View Clustering [42.92751228313385]
我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。
提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。
我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
論文 参考訳(メタデータ) (2024-01-28T16:30:13Z) - PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic
Occupancy Prediction [72.75478398447396]
本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。
また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。
プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
論文 参考訳(メタデータ) (2023-08-31T17:57:17Z) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳(メタデータ) (2023-06-08T02:52:24Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳(メタデータ) (2022-08-25T05:47:39Z) - Late Fusion Multi-view Clustering via Global and Local Alignment
Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。
既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。
これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文 参考訳(メタデータ) (2022-08-02T01:49:31Z) - Multi-view Clustering via Deep Matrix Factorization and Partition
Alignment [43.56334737599984]
本稿では,深層行列分解と分割アライメントによる新しいマルチビュークラスタリングアルゴリズムを提案する。
収束性が証明された最適化問題を解くために交互最適化アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-05-01T15:06:57Z) - Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。
5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文 参考訳(メタデータ) (2020-08-23T08:25:06Z) - Object-Centric Multi-View Aggregation [86.94544275235454]
本稿では,オブジェクトのスパースなビュー集合を集約して,半単純3次元表現を容積特徴格子の形で計算する手法を提案する。
我々のアプローチの鍵となるのは、カメラのポーズを明示することなく、ビューを持ち上げることができるオブジェクト中心の標準3D座標システムである。
画素から標準座標系への対称対応マッピングの計算により、未知の領域への情報伝達がより良くなることを示す。
論文 参考訳(メタデータ) (2020-07-20T17:38:31Z) - ClusterVO: Clustering Moving Instances and Estimating Visual Odometry
for Self and Surroundings [54.33327082243022]
ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。
以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
論文 参考訳(メタデータ) (2020-03-29T09:06:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。