无需标注块划分的任意大规模场景重建

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Arbitrary Large-Scale Scene Reconstruction without Annotated Block Partitions

大规模场景重建面临手动分解场景的繁琐问题。本文提出VisibleNeRF自动分解方法，通过可见性判断策略递归分解场景，新NeRF模块实现可见部分重构与剩余部分递归处理，在三个数据集上验证有效性，并在Mission Bay数据集上显著优于现有方法。

　　

摘要

大规模场景重建是一个具有挑战性的问题。由于场景的不同部分可能从不同的采集图像帧中可见，以往的研究通常通过距离或地理位置信息手动将场景分解成多个部分，然后分别重建每个部分。然而，在实际应用中进行大规模场景重建时，这种手动分解工作繁琐且耗时。为了解决这个问题，我们提出了VisibleNeRF方法，该方法能够根据各部分的可见性自动将场景分解成多个部分。具体来说，我们提出了一种可见性判断策略来区分可见部分和不可见部分。接着，我们使用相应的采集图像重建可见部分，并继续利用该可见性判断策略对剩余的不可见部分进行分解。对于分解出的不可见部分，我们会重新构建新的NeRF模块，直到整个场景被完整重建。据我们所知，我们是首个提出无需手动分解即可在线重建大规模场景的方法。在三个数据集上的实验结果表明，我们的方法能够以完全自动的方式成功重建大规模场景。此外，在广泛使用的Mission Bay数据集中，我们的模型表现显著优于其他最先进的方法。