Reconstructing a 3D scene from a mo

Reconstructing a 3D scene from a moving camera is one of the most important issues in the field of computer vision. In this scenario, not all points are known in all images (e.g. due to occlusion), thus generating missing data. On the other hand, successful 3D reconstruction algorithms like Tomasi & Kanade’s factorization method, require an orthographic model for the data, which is adequate in close-up views. The state-of-the-art handles the missing points in this context by enforcing rank constraints on the point track matrix. However, quite frequently, close-up views tend to capture planar surfaces producing degenerate data. Estimating missing data using the rank constraint requires that all known measurements are “full rank” in all images of the sequence. If one single frame is degenerate, the whole sequence will produce high errors on the reconstructed shape, even though the observation matrix verifies the rank 4 constraint. In this paper, we propose to solve the structure from motion problem with degenerate data, introducing a new factorization algorithm that imposes the full scaled-orthographic model in one single optimization procedure. By imposing all model constraints, a unique (correct) 3D shape is estimated regardless of the data degeneracies. Experiments show that remarkably good reconstructions are obtained with an approximate models such as orthography.

ผลลัพธ์ (ไทย) 1:

ฟื้นฟูฉาก 3 มิติจากกล้องเคลื่อนเป็นประเด็นที่สำคัญที่สุดในด้านของคอมพิวเตอร์วิทัศน์ ในสถานการณ์สมมตินี้ จุดทั้งหมดไม่ทราบว่าในรูปทั้งหมดของคุณ (เช่นจากการอุดตัน), จึง สร้างข้อมูลขาดหายไป บนมืออื่น ๆ อัลกอริทึมฟื้นฟู 3 มิติสำเร็จเช่น Tomasi & ของ Kanade วิธีแยกตัวประกอบ จำเป็นต้องใช้แบบประกอบข้อมูล ซึ่งเพียงพอในมุมมองระยะใกล้ -ศิลปะจับจุดขาดหายไปในบริบทนี้ด้วยการบังคับใช้ข้อจำกัดจุดอันดับติดตามเมตริกซ์ อย่างไรก็ตาม เลย มุมมองระยะใกล้มักจะ จับพื้นผิวระนาบที่ผลิตข้อมูล degenerate ประเมินข้อมูลที่หายไปโดยใช้ข้อจำกัดยศต้องรู้จักประเมินทั้งหมด "เต็มยศ" ในภาพทั้งหมดของลำดับ ถ้าเฟรมเดียว degenerate ลำดับทั้งหมดจะผลิตข้อผิดพลาดสูงจากรูปร่างที่สร้างขึ้นใหม่ แม้ว่าเมตริกซ์สังเกตตรวจสอบข้อจำกัดอันดับ 4 กระดาษนี้ เราเสนอการแก้โครงสร้างเคลื่อนไหวปัญหาข้อมูล degenerate แนะนำการแยกตัวประกอบอัลกอริธึมที่กำหนดแบบเต็มประกอบปรับสัดส่วนในหนึ่งเดียวปรับกระบวน โดยข้อจำกัดของแบบจำลองทั้งหมดที่สง่างาม รูปร่างเฉพาะของ 3D (ถูกต้อง) คือประมาณว่า degeneracies ข้อมูล การทดลองแสดงว่า ศึกษาดีอย่างน่าทึ่งได้รับการแบบคร่าว ๆ เช่นการันต์

ผลลัพธ์ (ไทย) 2:

ต้องสร้างภาพ 3 มิติจากกล้องย้ายเป็นหนึ่งในประเด็นที่สำคัญที่สุดในด้านการมองเห็นคอมพิวเตอร์ ในสถานการณ์นี้ไม่ได้ทุกจุดที่เป็นที่รู้จักกันในภาพทั้งหมด (เช่นเนื่องจากการอุดตัน) จึงสร้างข้อมูลที่ขาดหายไป บนมืออื่น ๆ ที่ประสบความสำเร็จในขั้นตอนวิธีการฟื้นฟู 3 มิติเช่นวิธีตีนเป็ด Tomasi & Kanade ของจำเ​​ป็นต้องใช้รูปแบบ orthographic ข้อมูลที่เพียงพอในมุมมองอย่างใกล้ชิด รัฐของศิลปะจัดการจุดที่ขาดหายไปในบริบทนี้โดยการบังคับใช้ข้อ จำกัด ในการติดตามตำแหน่งเมทริกซ์จุด แต่ค่อนข้างบ่อยมุมมองอย่างใกล้ชิดมีแนวโน้มที่จะจับภาพพื้นผิวระนาบการผลิตข้อมูลที่เลว การประเมินโดยใช้ข้อมูลที่ขาดหาย จำกัด ยศต้องการให้วัดทั้งหมดที่รู้จักกันคือ "ยศเต็ม" ในภาพทั้งหมดของลำดับ หากหนึ่งในกรอบเดียวคือเลวทั้งลำดับจะผลิตข้อผิดพลาดสูงในรูปร่างใหม่แม้ว่าเมทริกซ์สังเกตตรวจสอบอันดับ 4 จำกัด ในบทความนี้เรานำเสนอในการแก้ปัญหาโครงสร้างจากการเคลื่อนไหวที่มีข้อมูลเลวแนะนำขั้นตอนวิธีการตีนเป็ดใหม่ที่เรียกเก็บเต็มรูปแบบขนาดเล็ก orthographic ในขั้นตอนการเพิ่มประสิทธิภาพหนึ่งเดียว โดยการกำหนดข้อ จำกัด ทุกรุ่นที่ไม่ซ้ำกัน (ที่ถูกต้อง) รูปทรง 3 มิติเป็นที่คาดกันโดยไม่คำนึงถึง degeneracies ข้อมูล การทดลองแสดงให้เห็นว่าไทปันดีอย่างน่าทึ่งจะได้รับกับรูปแบบตัวอย่างเช่นการสะกดการันต์

ผลลัพธ์ (ไทย) 3:

การสร้างฉาก 3 มิติจากกล้องเคลื่อนที่เป็นหนึ่งในปัญหาที่สำคัญที่สุดในเขตของวิสัยทัศน์คอมพิวเตอร์ ในสถานการณ์สมมตินี้ คะแนนไม่ทั้งหมดที่เป็นที่รู้จักกันในรูปทั้งหมด ( เช่นเนื่องจากการ ) จึงสร้างข้อมูลที่ขาดหายไป บนมืออื่น ๆที่ประสบความสำเร็จการชอบโทรมาสิ & 3D ขั้นตอนวิธีการแยกตัวประกอบของจำนวนเต็มของคานาเดะ ต้องแบบข้อ สำหรับข้อมูลที่เพียงพอในมุมมองที่ชัด รัฐ - of - the - art จัดการหายไปจุดในบริบทนี้มีข้อจำกัดในการติดตามตำแหน่งจุดเมทริกซ์ อย่างไรก็ตาม ค่อนข้างบ่อย มุมมองที่ใกล้ชิด มักจะยึดระนาบพื้นผิวการผลิตข้อมูลทราม ประเมินข้อมูลสูญหายโดยใช้ตำแหน่งข้อจำกัดต้องการให้ทั้งหมดรู้จักวัดเต็ม " อันดับ " ในรูปของลำดับ ถ้าเฟรมจะเสื่อม , ลำดับทั้งหมดจะผลิตข้อผิดพลาดสูงในการสร้างรูปร่าง แม้ว่าการสังเกตเมตริกซ์ตรวจสอบอันดับ 4 จำกัด ในกระดาษนี้เราขอแก้จากปัญหาโครงสร้างเคลื่อนไหวข้อมูลใหม่ การ แนะนำ การปรับวิธีเก็บเต็มรูปแบบในหนึ่งขั้นตอนการหาข้อเดียว โดยกำหนดข้อจำกัดแบบจำลองทั้งหมดที่เป็นเอกลักษณ์ ( ถูกต้อง ) รูปทรง 3 มิติ คือ ประมาณว่า ข้อมูล degeneracies . การทดลองแสดงให้เห็นว่าดีอย่างน่าทึ่ง การสร้างใหม่ได้ด้วยประมาณรุ่นเช่น 5 .