Bitki Örtüsü Açısından Zengin Ortamlarda Görsel 3D Yeniden Yapılanmanın Kıyaslanması için Görünürlüğe Duyarlı Referans Oluşturma

Özetle: Bitki örtüsü açısından zengin dış ortamlarda görsel 3 boyutlu yeniden yapılandırmanın ve derinlik tahmininin güvenilir bir şekilde değerlendirilmesi, geometrik temel gerçeklik verilerinin azlığı ve tam tarayıcı araştırm…

Özet

Bitki örtüsü açısından zengin dış ortamlarda görsel 3 boyutlu yeniden yapılandırmanın ve derinlik tahmininin güvenilir bir şekilde değerlendirilmesi, geometrik temel gerçeklik verilerinin azlığı ve tam tarayıcı araştırmalarının maliyeti nedeniyle sınırlıdır. Geleneksel hareketten yapı (SfM) yöntemlerinin yanı sıra ileri beslemeli görsel geometri modellerinin sıfır atış performansını değerlendirmek için LiDAR tabanlı bir referans oluşturma hattı sunuyoruz. Boru hattı, görüntüleme başına derinlik haritaları ve görünür referans noktası bulutları oluşturmak için kamera görüntülerini, LiDAR taramalarını ve mevcut çok sensörlü yerelleştirme veri kümelerinden referans pozlarını yeniden kullanıyor. Birikmiş LiDAR taramalarındaki görünürlük hatalarını gidermek için, Gizli Nokta Kaldırmada (HPR) noktasal görünürlük filtrelemesi ve otomatik ölçek seçimi için Büyük Derinlik Boşluğu Görünürlük Puanını (LDGVS) sunuyoruz. TartanAirV2 ve TartanGround üzerinde yapılan deneyler, tamamlanmış tarama araştırmalarına uygun bir yaklaşım olan Poisson yüzey yeniden yapılandırmasıyla karşılaştırıldığında, birleşik HPR ve LDGVS filtrelemenin karşılaştırılabilir mutlak bağıl hatayla nokta yoğunluğunun yaklaşık üç katını koruduğunu göstermektedir. Ayrıca derinlik tahmini ve 3 boyutlu yeniden yapılandırma yöntemlerini sistematik olarak karşılaştırmak için boru hattını BotanicGarden veri kümesine uyguluyoruz. İleri beslemeli yöntemler yoğun derinlik tahminlerini verimli bir şekilde üretir, ancak bunların 3 boyutlu yeniden yapılandırmaları kopyalanmış yapılar içerebilir. Geleneksel SfM genellikle daha tutarlı geometri üretir, ancak yeniden yapılandırmaları seyrek kalır ve zorlu bitki örtüsü sahnelerinde başarısızlığa daha yatkındır. Karşılaştırma araç seti ve veri kümeleri yayınlanacak.

Orijinal Özet (İngilizce)

Reliable evaluation of visual 3D reconstruction and depth estimation in vegetation-rich outdoor environments is limited by the scarcity of geometric ground-truth data and the cost of complete scanner surveys. We present a LiDARbased reference-generation pipeline for evaluating the zero-shot performance of feed-forward visual-geometry models alongside conventional structure-from-motion (SfM) methods. The pipeline reuses camera images, LiDAR scans, and reference poses from existing multi-sensor localization datasets to generate per-view depth maps and visible reference point clouds. To address visibility errors in accumulated LiDAR scans, we introduce the LargeDepth-Gap Visibility Score (LDGVS) for point-wise visibility filtering and automatic scale selection in Hidden Point Removal(HPR). Experiments on TartanAirV2 and TartanGround show that, compared with Poisson surface reconstruction, which is an approach suited to completed scan surveys, the combined HPR and LDGVS filtering retains approximately three times the point density at comparable absolute relative error. We also apply the pipeline to the BotanicGarden dataset to systematically compare depth estimation and 3D reconstruction methods. Feedforward methods produce dense depth predictions efficiently, but their 3D reconstructions can contain duplicated structures. Conventional SfM generally produces more coherent geometry, but its reconstructions remain sparse and more prone to failure in challenging vegetated scenes. The benchmark toolkit and datasets will be released.

Kaynak: arXiv:2611.05361 · PDF