本文介绍了室内场景稠密三维重建技术，特别是利用深度相机进行实时重建的方法。通过算法如BundleFusion，实现从RGB-D数据流到精确三维模型的转换，应用于增强现实、室内导航等领域。文章探讨了技术的发展历程、基本原理，包括稀疏-密集匹配、分层局部-全局优化，并展示了优秀的重建效果。尽管存在噪音和局部误匹配问题，但该技术仍有广阔的应用前景和优化空间。
本文首发于公众号：计算机视觉life。原文链接点这里
有什么用？
室内场景的稠密三维重建目前是一个非常热的研究领域，其目的是使用消费级相机（本文特指深度相机）对室内场景进行扫描，自动生成一个精确完整的三维模型，这里所说的室内可以是一个区域，一个房间，甚至是一整栋房屋。此外，该领域注重(一般是GPU上)实时重建，也就是一边扫描就可以一边查看当前重建的结果。如下所示。
主要的应用包括室内的增强现实游戏、机器人室内导航、AR家具展示等。
什么原理？
在介绍原理前，先简单了解一下历史发展。
1、发展历史
在消费级深度相机出现之前，想要采用普通相机实现实时稠密三维重建比较困难。微软2010年发布了Kinect之后，基于深度相机的稠密三维重建掀起了研究热潮。早期比较有代表性的工作是2011年微软的Newcombe（单目稠密重建算法DTAM 的作者）、Davison等大牛发表在SIGGRAPH上的KinectFusion算法，算是该领域的开山之作。Kine
最低0.47元/天 解锁文章
扫一扫
4199
到【灌水乐园】发言
