CN117765171A - 一种三维模型重建的方法、装置、存储介质及电子设备 - Google Patents
一种三维模型重建的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117765171A CN117765171A CN202311707306.6A CN202311707306A CN117765171A CN 117765171 A CN117765171 A CN 117765171A CN 202311707306 A CN202311707306 A CN 202311707306A CN 117765171 A CN117765171 A CN 117765171A
- Authority
- CN
- China
- Prior art keywords
- point
- pixel point
- virtual
- information corresponding
- sampling point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 197
- 230000005855 radiation Effects 0.000 claims abstract description 58
- 210000005036 nerve Anatomy 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000001537 neural effect Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003189 isokinetic effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本说明书公开了一种三维模型重建的方法、装置、存储介质及电子设备,其中,针对获取到的遥感图像中的每个像素点,生成穿过该像素点的虚拟光线,并在所述虚拟光线上采样,确定各第一采样点;将各第一采样点对应的坐标信息以及采样点属性参数输入到预设的神经辐射场模型中,得到各第一采样点对应的颜色关联参数,进而确定该像素点对应的反照率信息;针对每个像素点,以该像素点在三维场景空间中对应的空间点为原点,生成指向太阳的虚拟太阳光线,从而确定该像素点的入射光信息,并根据入射光信息与反照率信息确定像素点的颜色信息;根据每个像素点颜色信息与真实颜色信息之间的偏差,对模型进行训练,并根据训练后模型,对地表场景进行三维重建。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种三维模型重建的方法、装置、存储介质及电子设备。
背景技术
随着科学技术的进步,人们已经可以通过卫星捕获高分辨率的遥感卫星图像,这为人们研究地形演变和人类活动提供了大量宝贵的信息。然而,遥感卫星图像提供的信息终究有限,越来越无法满足人们对于城市规划、环境监测的需要。
因此,利用多视角的遥感卫星图像对大型地表场景进行三维模型的重建逐渐成为了热门研究方向。目前传统的基于遥感图像的三维模型的重建方法是多视图立体视觉方法(Multiple-View Stereo,MVS),但这种方法过于依赖合适图像的配对,而不同的遥感卫星图像通常具有较大的时间间隔,在进行配对时更容易出现错误,进而影响模型重建的准确性。
因此,如何提高遥感图像三维模型重建的准确性,从而更好地重建大型地表场景的三维模型,是一个亟待解决的问题。
发明内容
本说明书提供一种三维模型重建的方法、装置、存储介质及电子设备。以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种三维模型重建的方法,包括:
获取遥感图像;
针对所述遥感图像中包含的每个像素点,生成穿过该像素点的虚拟光线;
针对每条虚拟光线,从该虚拟光线中确定各第一采样点,并记录各第一采样点对应的坐标信息,根据该虚拟光线所属的遥感图像对应的图像关联参数,生成每个第一采样点对应的采样点属性参数;
将各第一采样点对应的坐标信息以及各第一采样点对应的采样点属性参数输入到预设的神经辐射场模型中,以得到各第一采样点对应的颜色关联参数,并根据各第一采样点对应的颜色关联参数以及采样点属性参数,确定各第一采样点所在虚拟光线所穿过的像素点对应的反照率信息;
针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线所穿过的像素点在所述遥感图像针对的地表场景中对应的空间点的位置信息,并以所述空间点的位置信息对应位置为原点,生成所述空间点指向太阳的虚拟太阳光线,并根据所述虚拟太阳光线,确定所述虚拟光线所穿过的像素点对应的入射光信息,以根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息;
根据每个像素点对应的颜色信息与真实颜色信息之间的偏差,对所述神经辐射场模型进行训练,以根据训练后神经辐射场模型,通过获取到的各遥感图像,对地表场景进行三维重建。
可选地,所述图像关联参数包括:遥感图像的拍摄时间、拍摄地点的地点信息、拍摄时太阳光的方向信息、遥感图像的索引信息、采集遥感图像的相机的相机模型的模型参数、遥感图像的分辨率。
可选地,所述采样点属性参数包括:采样点的索引信息,采样点与下一个采样点之间的采样距离。
可选地,针对所述遥感图像中包含的每个像素点,生成穿过该像素点的虚拟光线,具体包括:
根据所述神经辐射场模型的相机模型参数,对采集所述遥感图像的相机的相机模型的模型参数进行调整,获得调整后相机模型,以根据调整后相机模型,生成穿过所述遥感图像中包含的每个像素点的虚拟光线,其中,所述相机模型参数是预先在所述神经辐射场模型中定义,并通过对所述神经辐射场模型进行训练得到的。
可选地,所述颜色关联参数包括:采样点所在位置的反射率、天空光颜色、体积密度、不确定度,所述不确定度用于表征虚拟光线对应的像素点被指定对象占据的概率。
可选地,针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线所穿过的像素点在所述遥感图像针对的地表场景中对应的空间点的位置信息,并以所述空间点的位置信息对应位置为原点,生成所述空间点指向太阳的虚拟太阳光线,并根据所述虚拟太阳光线,确定所述虚拟光线所穿过的像素点对应的入射光信息,以根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息,具体包括:
针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线对应的深度信息,根据该虚拟光线对应的深度信息,确定该虚拟光线所穿过的像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点的位置信息,并以该空间点的位置信息对应位置为原点,根据该空间点对应的像素点所属的遥感图像对应的图像关联参数,生成该空间点指向太阳的虚拟太阳光线;
针对每条虚拟太阳光线,从该虚拟太阳光线中确定各第二采样点,并记录各第二采样点对应的坐标信息,根据该虚拟太阳光线所属的遥感图像对应的图像关联参数,生成每个第二采样点对应的采样点属性参数;
针对每条虚拟太阳光线,将该虚拟太阳光线上的各第二采样点的坐标信息以及各第二采样点对应的采样点属性参数、该虚拟太阳光线所穿过的像素点的坐标信息以及该像素点所属的遥感图像对应的图像关联参数输入到神经辐射场模型中,以获得各第二采样点对应的颜色关联参数以及该虚拟太阳光线所穿过的像素点对应的颜色关联参数,并根据各第二采样点对应的颜色关联参数,确定该虚拟太阳光线所穿过的像素点对应的太阳光可见度信息,以根据该虚拟太阳光线所穿过的像素点对应的太阳光可见度信息以及该虚拟太阳光线所穿过的像素点对应的颜色关联参数,确定该虚拟太阳光线所穿过的像素点对应的入射光信息。
可选地,根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息,具体包括:
根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的初始颜色信息;
根据所述神经辐射场模型的颜色校正参数,对该像素点对应的初始颜色信息进行校正,得到该像素点对应的颜色信息,其中,所述颜色校正参数是预先在所述神经辐射场模型中定义,并通过对所述神经辐射场模型进行训练得到的。
可选地,根据每个像素点对应的颜色信息与真实颜色信息之间的偏差,对所述神经辐射场模型进行训练,具体包括:
针对每条虚拟光线,根据该虚拟光线中所有第一采样点对应的颜色关联参数中的不确定度,确定该虚拟光线所穿过的像素点对应的不确定度;
根据每个像素点对应的不确定度,确定各像素点的权重信息,其中,针对每个像素点,若该像素点对应的不确定度越大,该像素点对应的权重越小;
根据每个像素点对应的权重信息,对每个像素点对应的颜色信息与真实颜色信息之间的偏差进行加权求和,获得总损失值;
以最小化所述总损失值为优化目标,对所述神经辐射场模型进行训练。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述三维模型重建的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述三维模型重建的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的三维模型重建的方法中,针对获取到的遥感图像中包含的每个像素点,使用调整后的相机模型生成穿过该像素点的虚拟光线,并在所述虚拟光线上采样,确定各第一采样点,将各第一采样点对应的坐标信息以及采样点属性参数输入到预设的神经辐射场模型中,获得各第一采样点对应的颜色关联参数,进而根据各第一采样点对应的颜色关联参数以及采样点属性参数,确定各第一采样点所在虚拟光线所穿过的像素点对应的反照率信息,再以该像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点为原点,生成指向太阳方向的虚拟太阳光线,并在虚拟太阳光线上再次采样,确定各第二采样点,进而根据第二采样点,确定该像素点对应的入射光信息,然后根据该像素点对应的入射光信息以及反照率信息,确定该像素点对应的初始颜色信息,随后对初始颜色信息进行调整,获得该像素点对应的颜色信息,最终根据每个像素点对应的颜色信息以及真实颜色信息,对神经辐射场模型进行训练,以根据训练后神经辐射场模型,对地表场景进行三维重建。
从上述方法可以看出,本说明书能够根据遥感图像,对地表场景进行三维模型重建,通过对相机模型进行调整并使用调整后相机模型生成虚拟光线,能够更好地定位像素点的位置,通过向太阳方向生成穿过像素点对应空间点的虚拟太阳光线,并通过虚拟太阳光线确定像素点的太阳光可见度信息,能够减少模型的参数,提高模型的效率,通过对像素点初始颜色进行调整,降低了同一物体在不同视角的遥感图像中的颜色偏差,最终提高了三维模型重建的准确度,使地表大型场景的三维模型重建更加精准高效。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种三维模型重建的方法的流程示意图;
图2为本说明书中提供的虚拟太阳光线的示意图;
图3为本说明书提供的一种三维模型重建的装置的示意图;
图4为本说明书中提供的一种应于图1的电子设备的示意结构图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种三维模型重建的方法的流程示意图,包括以下步骤:
S101:获取遥感图像。
随着科学技术的进步,根据不同时间、不同视角下拍摄的地表场景的遥感图像来对地表场景进行三维模型的重建逐渐成为了热门研究方向,然而,传统的基于遥感图像的三维模型的重建方法过于依赖合适图像的配对,而不同的遥感卫星图像通常具有较大的时间间隔,在进行配对时更容易出现错误,进而影响模型重建的准确性。
基于此,本说明书提供了一种三维模型重建的方法,通过对相机模型进行调整,能够更好地定位像素点的位置,通过向太阳方向生成穿过像素点的虚拟太阳光线,能够更加快速且精准地确定像素点地入射光信息,通过对像素点初始颜色的调整,提高了三维模型重建的准确度,使地表大型场景的三维模型重建更加精准高效。
需要说明的是,在本说明书中用于实现三维模型重建的方法的执行主体可以是服务器等指定设备,也可以是台式电脑、笔记本电脑等终端设备,抑或是安装在终端设备中的客户端,为了便于描述,本说明书仅以服务器是执行主体为例,对本说明书提供的一种三维模型重建的方法进行说明。
在本说明书中,服务器在获取遥感图像的同时,会一并获取该遥感图像对应的图像关联参数,服务器可以通过多种方式获取遥感图像,例如,服务器可以通过移动存储设备、网络传输等方式获取遥感图像,并将遥感图像存储在指定存储空间中,以在后续过程中,对遥感图像进行进一步处理。其中,遥感图像是需要建模的场景在某一视角下的图像,遥感图像可以来自于实地拍摄,也可以来自于第三方数据集,图像关联参数中包含遥感图像的拍摄时间、拍摄地点的地点信息、拍摄时太阳光的方向信息、遥感图像的索引信息、采集遥感图像的相机的相机模型的模型参数、遥感图像的分辨率等数据。
S102:针对所述遥感图像中包含的每个像素点,生成穿过该像素点的虚拟光线。
目前,采集遥感图像时最常用的相机模型为RPC相机模型,RPC相机模型被广泛用于光学卫星图像,该模型能够描述从3D的地理坐标到2D的卫星图像坐标之间的转换关系,在大多数场景下可以满足坐标之间的转换需求,但是由于多种复杂因素的影响,通过RPC模型将3D点投影到2D图像中时与实际像素点位置有一定偏差,甚至达到几十个像素的数量级,这对于三维模型的重建有一定的影响。
因此,本说明书通过预先在神经辐射场模型中定义相机模型参数,并根据相机模型参数对相机模型进行调整,以根据调整后相机模型,生成穿过该遥感图像中包含的每个像素点的虚拟光线,这种方式能够更好地定位像素点的位置,提高了三维模型重建的准确度,需要注意的是,在生成穿过该遥感图像中包含的每个像素点的虚拟光线时,调整后相机模型能够根据每个像素点与该像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点,生成穿过该像素点以及该像素点对应的空间点的虚拟光线,因此,对于每个像素点而言,调整后相机模型能够生成穿过该像素点的唯一的虚拟光线。
服务器可以预先在神经辐射场模型中定义相机模型参数,并赋予相机模型参数初始随机值,然后服务器可以根据相机模型参数,对采集该遥感图像的相机的相机模型的模型参数进行调整,获得调整后相机模型,以根据调整后相机模型,生成穿过该遥感图像中包含的每个像素点的虚拟光线。
例如,在对被建模的场景进行三维模型重建时,将场景的上平面定义为最大高度,并以上平面为x、y轴所在的平面建立空间直角坐标系,z轴竖直向上。
此时,RPC相机模型在将3D点投影到2D图像中时与实际像素点位置的偏差即可表示为虚拟光线与上平面交点在x、y、z轴上的偏移量,将虚拟光线与上平面的交点视为虚拟光线的原点,那么调整后相机模型生成的虚拟光线可以表示为:
r(t) = (o + q) + td (1)
其中,q表示预先在神经辐射场模型中定义的相机模型参数,同时也表示每个相机的投影模型在x、y、z轴上面的偏移量,由于虚拟光线的原点均在x、y轴所在的上平面上,因此q可以进一步表示为每个相机的投影模型在x、y轴上的偏移量,即q=(q1,q2,0),q1和q2分别表示虚拟光线的原点在x、y轴上的偏移量。
需要注意的是,服务器预先在神经辐射场模型中定义的相机模型参数是一个可学习参数,在后续模型的优化过程中同步进行调整。
S103:针对每条虚拟光线,从该虚拟光线中确定各第一采样点,并记录各第一采样点对应的坐标信息,根据该虚拟光线所属的遥感图像对应的图像关联参数,生成每个第一采样点对应的采样点属性参数。
针对遥感图像中包含的每个像素点对应的虚拟光线,服务器可以在该虚拟光线上进行采样,获得预设数量的各第一采样点,同时依次记录各第一采样点对应的坐标信息与各第一采样点之间的采样距离。
服务器可以根据各第一采样点对应的坐标信息与各第一采样点之间的采样距离,以及该遥感图像对应的图像关联参数,生成各第一采样点对应的采样点属性参数,其中,采样点属性参数中包含采样点的索引信息、采样点与下一个采样点之间的采样距离、采样点所属虚拟光线所穿过的像素点所在的遥感图像的图像关联参数。
S104:将各第一采样点对应的坐标信息以及各第一采样点对应的采样点属性参数输入到预设的神经辐射场模型中,以得到各第一采样点对应的颜色关联参数,并根据各第一采样点对应的颜色关联参数以及采样点属性参数,确定各第一采样点所在虚拟光线所穿过的像素点对应的反照率信息。
服务器可以将各第一采样点对应的坐标信息以及各第一采样点对应的采样点属性参数输入到预设的神经辐射场模型中,以得到各第一采样点对应的颜色关联参数,颜色关联参数中包含采样点所在位置的反射率、天空光颜色、体积密度、不确定度,其中,采样点所在位置的体积密度表征该位置被占据的概率,体积密度越大,该位置被占据的概率也就越大,不确定度用于表征采样点所属的虚拟光线对应的像素点被指定对象占据的概率,不确定度越大,被指定对象占据的概率也就越大。需要注意的是,不确定度用于表征采样点所属的虚拟光线对应的像素点被指定对象占据的概率,这里的指定对象是指出现在遥感图像中,但不属于被建模场景本身的人或物体,例如,出现在遥感图像中的人、汽车等不会被建模的人或物体均属于指定对象。
服务器可以根据各第一采样点对应的颜色关联参数以及采样点属性参数,确定各第一采样点所在虚拟光线所穿过的像素点对应的反照率信息,其中,服务器可以根据各第一采样点对应的体积密度,确定各第一采样点所在位置被占据的概率,即各第一采样点所在位置位于场景内部的概率,并根据各第一采样点所在位置被占据的概率,确定各第一采样点所在位置的透明度,进而根据各第一采样点所在位置被占据的概率以及各第一采样点所在位置的透明度和反射率,确定各第一采样点所在虚拟光线所穿过的像素点对应的反照率信息。
以上过程可以使用如下公式表示:
αi = 1-exp(-σiδi) (2)
其中,σi表示第i个第一采样点所在位置的体积密度,δi表示第i个第一采样点与下一个第一采样点之间的采样距离,αi表示第i个第一采样点所在位置被占据的概率,Ti表示第i个第一采样点所在位置的透明度,可以定义为前i-1个点都不被占据的概率的累积,ai表示第i个第一采样点所在位置的反射率,A(r)表示各第一采样点所属的虚拟光线所穿过的像素点对应的反照率信息。
可以看出,各第一采样点对应的体积密度越大,其对应的被占据的概率也就越大,透明度也就越小,最后将各第一采样点对应的透明度、被占据的概率以及反射率进行相乘并累加,获得各第一采样点所属的虚拟光线所穿过的像素点对应的反照率信息。
S105:针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线所穿过的像素点在所述遥感图像针对的地表场景中对应的空间点的位置信息,并以所述空间点的位置信息对应位置为原点,生成所述空间点指向太阳的虚拟太阳光线,并根据所述虚拟太阳光线,确定所述虚拟光线所穿过的像素点对应的入射光信息,以根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息。
针对每条虚拟光线,服务器可以根据该虚拟光线对应的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线对应的深度信息,进而根据该虚拟光线对应的深度信息,确定该虚拟光线所穿过的像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点的位置信息,以上过程可以由如下公式表示:
其中,D(r)表示虚拟光线对应的深度信息,Ti表示第i个第一采样点所在位置的透明度,可以定义为前i-1个点都不被占据的概率的累积,ai表示第i个第一采样点所在位置的反射率,ti表示第i个第一采样点与像素点的距离。
针对每条虚拟光线,服务器可以根据该虚拟光线对应的深度信息,确定该虚拟光线所穿过的像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点的位置信息,并以该空间点的位置信息对应位置为原点,根据该空间点对应的像素点所属的遥感图像对应的图像关联参数,生成该空间点指向太阳的虚拟太阳光线。
根据以上方式,服务器可以确定每个像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点的位置信息,进而获得每个像素点对应的空间点指向太阳的虚拟太阳光线,从而根据每个像素点对应的空间点指向太阳的虚拟太阳光线,确定每个像素点对应的入射光信息,以根据每个像素点对应的反照率信息以及每个像素点对应的入射光信息,确定每个像素点对应的颜色信息。
针对每条虚拟太阳光线,服务器可以在该虚拟太阳光线上进行采样,获得预设数量的各第二采样点,同时依次记录各第二采样点对应的坐标信息与各第二采样点之间的采样距离。
服务器可以根据各第二采样点对应的坐标信息与各第二采样点之间的采样距离,以及该遥感图像对应的图像关联参数,生成各第二采样点对应的采样点属性参数,并将各第二采样点对应的坐标信息和采样点属性参数以及各第二采样点所在虚拟太阳光线所穿过的像素点的坐标信息和该遥感图像对应的图像关联参数输入到预设的神经辐射场模型中,以得到各第二采样点对应的颜色关联参数以及该虚拟太阳光线所穿过的像素点对应的颜色关联参数。
服务器可以根据各第二采样点对应的体积密度,确定各第二采样点所在位置被占据的概率,即各第二采样点所在位置位于场景内部的概率,并根据各第二采样点所在位置被占据的概率,确定各第二采样点所在位置的透明度。
图2为本说明书中提供的虚拟太阳光线的示意图。
其中,根据虚拟光线r对应的深度信息,确定出xs1为像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点,也就是场景的表面点,虚拟太阳光线rsun与场景的上平面相交于xsN,那么空间点xs1对应的像素点的太阳光可见度即可表示为虚拟太阳光线rsun上最后一点xsN的透明度,通过在虚拟太阳光线上确定的各第二采样点即可确定xsN所在位置的透明度,计算方式与各第一采样点的透明度计算方式相同,这里不再赘述,xsN所在位置的透明度即为空间点xs1对应的像素点的太阳光可见度信息。
服务器可以根据像素点对应的太阳光可见度信息以及天空光颜色信息,确定该像素点对应位置的入射光信息,具体计算方式如公式(6)所示。
I= s * Isun + Isky (6)
其中,I为入射光信息,s为太阳光可见度信息,取值为1或0,太阳光Isun可以表示为归一化的等能白光,即Isun=(1,1,1),Isky为天空光颜色信息,由神经辐射场模型预测获得,可以看出,当像素点所在位置的太阳光可见度信息为0时,该像素点所在位置的入射光信息仅受天空光影响,当像素点所在位置的太阳光可见度信息为1时,该像素点所在位置的入射光信息则受天空光和太阳光共同影响。
当服务器确定了像素点对应的反照率信息以及入射光信息后,便可以确定该像素点对应的初始颜色信息,具体计算方式如公式(7)所示,其中,C(r)为像素点对应的初始颜色信息。
C(r)=A(r)*I (7)
需要注意的是,在实际的遥感成像中,同一场景下在不同视角、不同时间拍摄的遥感图像,其场景中的同一物体的颜色信息可能会出现细微的偏差,这与拍摄时大气的状况、相机成像时的曝光、白平衡等因素有关,而在使用神经辐射场模型对地表场景进行三维重建是基于同一物体在不同遥感图像下的颜色是恒定的这一前提下,因此在确定了像素点对应的初始颜色信息之后,还需要对初始颜色信息进行调整,以降低场景中同一物体的颜色偏差。
服务器可以预先在神经辐射场模型中定义颜色校正参数,并赋予颜色校正参数初始随机值,然后服务器可以根据颜色校正参数,对像素点对应的初始颜色信息进行调整,获得像素点对应的颜色信息,如公式(8)所示。
Cn(r)= AC(r)+b (8)
其中,Cn(r)为调整后颜色,A和b为预先定义在神经辐射场模型中的颜色校正参数,C(r)为像素点对应的初始颜色信息。
需要注意的是,服务器预先在神经辐射场模型中定义的颜色校正参数是一个可学习参数,在后续模型的优化过程中同步进行调整。
S106:根据每个像素点对应的颜色信息与真实颜色信息之间的偏差,对所述神经辐射场模型进行训练,以根据训练后神经辐射场模型,通过获取到的各遥感图像,对地表场景进行三维重建。
针对每条虚拟光线,服务器可以根据该虚拟光线中所有第一采样点对应的颜色关联参数中的不确定度,确定该虚拟光线所穿过的像素点对应的不确定度,进而根据每个像素点对应的不确定度,确定各像素点的权重信息,像素点对应的不确定度越大,则该像素点对应的权重越小,具体计算方式如公式(9)所示。
其中,B(r)为像素点对应的不确定度,βi为穿过该像素点的虚拟光线所对应的各第一采样点的不确定度,αi为各第一采样点对应的反射率,Ti为各第一采样点对应的透明度。
在本说明书中,为了防止B(r)收敛到无穷大,在进行损失计算时对B(r)采用对数的形式,同时为了防止对数中的负值,采用B′(r)=B(r)+Bmin代替B(r)进行损失计算,其中Bmin=0.05。
服务器可以根据每个像素点对应的权重信息,对每个像素点对应的颜色信息与真实颜色信息之间的偏差进行加权求和,获得总损失值,具体过程如下所示。
其中,为总损失值,C(r)为像素点对应的颜色信息,CGT(r)为像素点对应的真实颜色信息,η=3,其作用是防止对数中出现负值。
可以看出,在每个像素点的权重确定的情况下,像素点对应的颜色信息与真实颜色信息差距越大,总损失值越大。
服务器可以以最小化总损失值为优化目标,对所述神经辐射场模型进行训练,以通过训练后神经辐射场模型,对地表大型场景进行三维模型的重建。
进一步地,在神经辐射场模型训练的过程中,预先定义在神经辐射场模型内的相机模型参数以及颜色校正参数也会随着模型内参数的更新而更新,直到神经辐射场模型收敛。
从上述方法可以看出,本说明书能够根据遥感图像,对地表场景进行三维模型重建,通过对相机模型进行调整并使用调整后相机模型生成虚拟光线,能够更好地定位像素点的位置,通过向太阳方向生成穿过像素点对应空间点的虚拟太阳光线,并通过虚拟太阳光线确定像素点的太阳光可见度信息,能够减少模型的参数,提高模型的效率,通过对像素点初始颜色进行调整,降低了同一物体在不同视角的遥感图像中的颜色偏差,最终提高了三维模型重建的准确度,使地表大型场景的三维模型重建更加精准高效。
以上为本说明书的一个或多个实施三维模型重建的方法,基于同样的思路,本说明书还提供了相应的三维模型重建的装置,如图3所示。
图3为本说明书提供的一种三维模型重建的装置的示意图,包括:
获取模块301,用于获取遥感图像;
生成模块302,用于针对所述遥感图像中包含的每个像素点,生成穿过该像素点的虚拟光线;
确定模块303,用于针对每条虚拟光线,从该虚拟光线中确定各第一采样点,并记录各第一采样点对应的坐标信息,根据该虚拟光线所属的遥感图像对应的图像关联参数,生成每个第一采样点对应的采样点属性参数;
第一处理模块304,用于将各第一采样点对应的坐标信息以及各第一采样点对应的采样点属性参数输入到预设的神经辐射场模型中,以得到各第一采样点对应的颜色关联参数,并根据各第一采样点对应的颜色关联参数以及采样点属性参数,确定各第一采样点所在虚拟光线所穿过的像素点对应的反照率信息;
第二处理模块305,用于针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线所穿过的像素点在所述遥感图像针对的地表场景中对应的空间点的位置信息,并以所述空间点的位置信息对应位置为原点,生成所述空间点指向太阳的虚拟太阳光线,并根据所述虚拟太阳光线,确定所述虚拟光线所穿过的像素点对应的入射光信息,以根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息;
训练模块306,用于根据每个像素点对应的颜色信息与真实颜色信息之间的偏差,对所述神经辐射场模型进行训练,以根据训练后神经辐射场模型,通过获取到的各遥感图像,对地表场景进行三维重建。
可选地,所述生成模块302具体用于,根据所述神经辐射场模型的相机模型参数,对采集所述遥感图像的相机的相机模型的模型参数进行调整,获得调整后相机模型,以根据调整后相机模型,生成穿过所述遥感图像中包含的每个像素点的虚拟光线,其中,所述相机模型参数是预先在所述神经辐射场模型中定义,并通过对所述神经辐射场模型进行训练得到的。
可选地,所述第二处理模块305具体用于,针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线对应的深度信息,根据该虚拟光线对应的深度信息,确定该虚拟光线所穿过的像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点的位置信息,并以该空间点的位置信息对应位置为原点,根据该空间点对应的像素点所属的遥感图像对应的图像关联参数,生成该空间点指向太阳的虚拟太阳光线;
针对每条虚拟太阳光线,从该虚拟太阳光线中确定各第二采样点,并记录各第二采样点对应的坐标信息,根据该虚拟太阳光线所属的遥感图像对应的图像关联参数,生成每个第二采样点对应的采样点属性参数。
针对每条虚拟太阳光线,将该虚拟太阳光线上的各第二采样点的坐标信息以及各第二采样点对应的采样点属性参数、该虚拟太阳光线所穿过的像素点的坐标信息以及该像素点所属的遥感图像对应的图像关联参数输入到神经辐射场模型中,以获得各第二采样点对应的颜色关联参数以及该虚拟太阳光线所穿过的像素点对应的颜色关联参数,并根据各第二采样点对应的颜色关联参数,确定该虚拟太阳光线所穿过的像素点对应的太阳光可见度信息,以根据该虚拟太阳光线所穿过的像素点对应的太阳光可见度信息以及该虚拟太阳光线所穿过的像素点对应的颜色关联参数,确定该虚拟太阳光线所穿过的像素点对应的入射光信息。
可选地,所述第二处理模块305具体用于,根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的初始颜色信息;根据所述神经辐射场模型的颜色校正参数,对该像素点对应的初始颜色信息进行校正,得到该像素点对应的颜色信息,其中,所述颜色校正参数是预先在所述神经辐射场模型中定义,并通过对所述神经辐射场模型进行训练得到的。
可选地,所述训练模块306具体用于,针对每条虚拟光线,根据该虚拟光线中所有第一采样点对应的颜色关联参数中的不确定度,确定该虚拟光线所穿过的像素点对应的不确定度;根据每个像素点对应的不确定度,确定各像素点的权重信息,其中,针对每个像素点,若该像素点对应的不确定度越大,该像素点对应的权重越小;根据每个像素点对应的权重信息,对每个像素点对应的颜色信息与真实颜色信息之间的偏差进行加权求和,获得总损失值;以最小化所述总损失值为优化目标,对所述神经辐射场模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种三维模型重建的方法。
本说明书还提供了如图所示的一种对应于图1的电子设备的示意结构图。如图4所示。
图4为本说明书中提供的一种应用于图1的电子设备的示意结构图。
如图所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述三维模型重建的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种三维模型重建的方法,其特征在于,包括:
获取遥感图像;
针对所述遥感图像中包含的每个像素点,生成穿过该像素点的虚拟光线;
针对每条虚拟光线,从该虚拟光线中确定各第一采样点,并记录各第一采样点对应的坐标信息,根据该虚拟光线所属的遥感图像对应的图像关联参数,生成每个第一采样点对应的采样点属性参数;
将各第一采样点对应的坐标信息以及各第一采样点对应的采样点属性参数输入到预设的神经辐射场模型中,以得到各第一采样点对应的颜色关联参数,并根据各第一采样点对应的颜色关联参数以及采样点属性参数,确定各第一采样点所在虚拟光线所穿过的像素点对应的反照率信息;
针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线所穿过的像素点在所述遥感图像针对的地表场景中对应的空间点的位置信息,并以所述空间点的位置信息对应位置为原点,生成所述空间点指向太阳的虚拟太阳光线,并根据所述虚拟太阳光线,确定所述虚拟光线所穿过的像素点对应的入射光信息,以根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息;
根据每个像素点对应的颜色信息与真实颜色信息之间的偏差,对所述神经辐射场模型进行训练,以根据训练后神经辐射场模型,通过获取到的各遥感图像,对地表场景进行三维重建。
2.如权利要求1所述的方法,其特征在于,所述图像关联参数包括:遥感图像的拍摄时间、拍摄地点的地点信息、拍摄时太阳光的方向信息、遥感图像的索引信息、采集遥感图像的相机的相机模型的模型参数、遥感图像的分辨率。
3.如权利要求1所述的方法,其特征在于,所述采样点属性参数包括:采样点的索引信息,采样点与下一个采样点之间的采样距离。
4.如权利要求2所述的方法,其特征在于,针对所述遥感图像中包含的每个像素点,生成穿过该像素点的虚拟光线,具体包括:
根据所述神经辐射场模型的相机模型参数,对采集所述遥感图像的相机的相机模型的模型参数进行调整,获得调整后相机模型,以根据调整后相机模型,生成穿过所述遥感图像中包含的每个像素点的虚拟光线,其中,所述相机模型参数是预先在所述神经辐射场模型中定义,并通过对所述神经辐射场模型进行训练得到的。
5.如权利要求1所述的方法,其特征在于,所述颜色关联参数包括:采样点所在位置的反射率、天空光颜色、体积密度、不确定度,所述不确定度用于表征虚拟光线对应的像素点被指定对象占据的概率。
6.如权利要求1所述的方法,其特征在于,针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线所穿过的像素点在所述遥感图像针对的地表场景中对应的空间点的位置信息,并以所述空间点的位置信息对应位置为原点,生成所述空间点指向太阳的虚拟太阳光线,并根据所述虚拟太阳光线,确定所述虚拟光线所穿过的像素点对应的入射光信息,以根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息,具体包括:
针对每条虚拟光线,根据该虚拟光线包含的各第一采样点对应的颜色关联参数以及采样点属性参数,确定该虚拟光线对应的深度信息,根据该虚拟光线对应的深度信息,确定该虚拟光线所穿过的像素点在该像素点所属的遥感图像针对的地表场景中对应的空间点的位置信息,并以该空间点的位置信息对应位置为原点,根据该空间点对应的像素点所属的遥感图像对应的图像关联参数,生成该空间点指向太阳的虚拟太阳光线;
针对每条虚拟太阳光线,从该虚拟太阳光线中确定各第二采样点,并记录各第二采样点对应的坐标信息,根据该虚拟太阳光线所属的遥感图像对应的图像关联参数,生成每个第二采样点对应的采样点属性参数;
针对每条虚拟太阳光线,将该虚拟太阳光线上的各第二采样点的坐标信息以及各第二采样点对应的采样点属性参数、该虚拟太阳光线所穿过的像素点的坐标信息以及该像素点所属的遥感图像对应的图像关联参数输入到神经辐射场模型中,以获得各第二采样点对应的颜色关联参数以及该虚拟太阳光线所穿过的像素点对应的颜色关联参数,并根据各第二采样点对应的颜色关联参数,确定该虚拟太阳光线所穿过的像素点对应的太阳光可见度信息,以根据该虚拟太阳光线所穿过的像素点对应的太阳光可见度信息以及该虚拟太阳光线所穿过的像素点对应的颜色关联参数,确定该虚拟太阳光线所穿过的像素点对应的入射光信息。
7.如权利要求1所述的方法,其特征在于,根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的颜色信息,具体包括:
根据该像素点对应的反照率信息以及该像素点对应的入射光信息,确定该像素点对应的初始颜色信息;
根据所述神经辐射场模型的颜色校正参数,对该像素点对应的初始颜色信息进行校正,得到该像素点对应的颜色信息,其中,所述颜色校正参数是预先在所述神经辐射场模型中定义,并通过对所述神经辐射场模型进行训练得到的。
8.如权利要求5所述的方法,其特征在于,根据每个像素点对应的颜色信息与真实颜色信息之间的偏差,对所述神经辐射场模型进行训练,具体包括:
针对每条虚拟光线,根据该虚拟光线中所有第一采样点对应的颜色关联参数中的不确定度,确定该虚拟光线所穿过的像素点对应的不确定度;
根据每个像素点对应的不确定度,确定各像素点的权重信息,其中,针对每个像素点,若该像素点对应的不确定度越大,该像素点对应的权重越小;
根据每个像素点对应的权重信息,对每个像素点对应的颜色信息与真实颜色信息之间的偏差进行加权求和,获得总损失值;
以最小化所述总损失值为优化目标,对所述神经辐射场模型进行训练。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311707306.6A CN117765171A (zh) | 2023-12-12 | 2023-12-12 | 一种三维模型重建的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311707306.6A CN117765171A (zh) | 2023-12-12 | 2023-12-12 | 一种三维模型重建的方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117765171A true CN117765171A (zh) | 2024-03-26 |
Family
ID=90325022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311707306.6A Pending CN117765171A (zh) | 2023-12-12 | 2023-12-12 | 一种三维模型重建的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117765171A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220118555A1 (en) * | 2020-10-16 | 2022-04-21 | Verdant Robotics, Inc. | Autonomous laser treatment system for agricultural objects |
CN115359173A (zh) * | 2022-07-01 | 2022-11-18 | 北京邮电大学 | 虚拟多视点视频生成方法、装置、电子设备和存储介质 |
CN116342804A (zh) * | 2023-03-14 | 2023-06-27 | 华南师范大学 | 一种室外场景三维重建方法、装置、电子设备及存储介质 |
CN116402942A (zh) * | 2023-03-02 | 2023-07-07 | 武汉大学 | 一种融合多尺度图像特征的大规模建筑物三维重建方法 |
WO2023138471A1 (zh) * | 2022-01-24 | 2023-07-27 | 阿里巴巴(中国)有限公司 | 三维场景渲染方法、设备以及存储介质 |
CN116740253A (zh) * | 2022-09-19 | 2023-09-12 | 荣耀终端有限公司 | 一种光线追踪方法和电子设备 |
CN116805349A (zh) * | 2023-05-15 | 2023-09-26 | 北京航空航天大学 | 室内场景重建方法、装置、电子设备及介质 |
US20230334806A1 (en) * | 2022-04-13 | 2023-10-19 | Meta Platforms Technologies, Llc | Scaling neural representations for multi-view reconstruction of scenes |
CN116977525A (zh) * | 2023-07-31 | 2023-10-31 | 之江实验室 | 一种图像渲染方法、装置、存储介质及电子设备 |
CN116993826A (zh) * | 2023-07-31 | 2023-11-03 | 杭州电子科技大学 | 一种基于局部空间聚合神经辐射场的场景新视图生成方法 |
-
2023
- 2023-12-12 CN CN202311707306.6A patent/CN117765171A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220118555A1 (en) * | 2020-10-16 | 2022-04-21 | Verdant Robotics, Inc. | Autonomous laser treatment system for agricultural objects |
WO2023138471A1 (zh) * | 2022-01-24 | 2023-07-27 | 阿里巴巴(中国)有限公司 | 三维场景渲染方法、设备以及存储介质 |
US20230334806A1 (en) * | 2022-04-13 | 2023-10-19 | Meta Platforms Technologies, Llc | Scaling neural representations for multi-view reconstruction of scenes |
CN115359173A (zh) * | 2022-07-01 | 2022-11-18 | 北京邮电大学 | 虚拟多视点视频生成方法、装置、电子设备和存储介质 |
CN116740253A (zh) * | 2022-09-19 | 2023-09-12 | 荣耀终端有限公司 | 一种光线追踪方法和电子设备 |
CN116402942A (zh) * | 2023-03-02 | 2023-07-07 | 武汉大学 | 一种融合多尺度图像特征的大规模建筑物三维重建方法 |
CN116342804A (zh) * | 2023-03-14 | 2023-06-27 | 华南师范大学 | 一种室外场景三维重建方法、装置、电子设备及存储介质 |
CN116805349A (zh) * | 2023-05-15 | 2023-09-26 | 北京航空航天大学 | 室内场景重建方法、装置、电子设备及介质 |
CN116977525A (zh) * | 2023-07-31 | 2023-10-31 | 之江实验室 | 一种图像渲染方法、装置、存储介质及电子设备 |
CN116993826A (zh) * | 2023-07-31 | 2023-11-03 | 杭州电子科技大学 | 一种基于局部空间聚合神经辐射场的场景新视图生成方法 |
Non-Patent Citations (4)
Title |
---|
JUNWEI LV等: "Neural Radiance Fields for High-Resolution Remote Sensing Novel View Synthesis", REMOTE SENSING, 8 August 2023 (2023-08-08), pages 1 - 19 * |
张耀等: "基于深度学习的视觉同时定位与建图研究进展", 仪器仪表学报, 31 July 2023 (2023-07-31), pages 214 - 241 * |
张舞杰;李迪;叶峰;: "基于Sigmoid函数拟合的亚像素边缘检测方法", 华南理工大学学报(自然科学版), no. 10, 15 October 2009 (2009-10-15) * |
龙宇航;吴德胜;: "高空遥感图像空间特征信息三维虚拟重建仿真", 计算机仿真, no. 12, 15 December 2019 (2019-12-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7413321B2 (ja) | 日常シーン復元エンジン | |
CN106683068B (zh) | 一种三维数字化图像采集方法 | |
US20170031056A1 (en) | Solar Energy Forecasting | |
CN113572962B (zh) | 室外自然场景光照估计方法及装置 | |
CN113689578B (zh) | 一种人体数据集生成方法及装置 | |
CN116402942A (zh) | 一种融合多尺度图像特征的大规模建筑物三维重建方法 | |
CN105847660A (zh) | 一种动态变焦方法、装置及智能终端 | |
CN112907745B (zh) | 一种数字正射影像图生成方法及装置 | |
CN114565670A (zh) | 一种位姿优化方法及装置 | |
CN117218551B (zh) | 一种基于误差分析的估测算法优化方法及装置 | |
CN117765171A (zh) | 一种三维模型重建的方法、装置、存储介质及电子设备 | |
CN116012483A (zh) | 一种图像渲染的方法、装置、存储介质及电子设备 | |
CN114898068B (zh) | 三维建模方法、装置、设备及存储介质 | |
CN117765168B (zh) | 一种卫星遥感图像的三维重建方法、装置及设备 | |
CN116612244B (zh) | 一种图像生成方法、装置、存储介质及电子设备 | |
CN117765172B (zh) | 一种遥感图像三维重建的方法及装置 | |
CN116558504B (zh) | 一种单目视觉的定位方法及装置 | |
CN117765165A (zh) | 一种三维重建方法、装置、存储介质及电子设备 | |
CN117611726B (zh) | 一种实景模型日照显示方法及装置 | |
CN112085850B (zh) | 人脸重建方法及相关设备 | |
CN117611781B (zh) | 一种实景三维模型的压平方法及装置 | |
CN117911616A (zh) | 一种口腔牙齿形状重建方法、装置、存储介质及电子设备 | |
CN113989342A (zh) | 一种深度图的构建方法及装置 | |
CN116258753A (zh) | 一种图像的配准方法、装置、存储介质及电子设备 | |
CN116416278A (zh) | 视觉跟踪方法、装置、设备、介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |