在计算机视觉和3D重建领域,如何从2D图像重建3D场景一直是一个充满挑战的研究课题。近年来,随着深度学习技术的发展,一些新的方法被提出并取得了显著的进展。本文将重点介绍两种最新的基于深度学习的3D重建方法:VGGSfM和Mast3r,并通过Gaussian Splatting技术对它们的性能进行全面比较和分析。
VGGSfM(Visual Geometry Grounded Deep Structure From Motion)是由Facebook Research团队开发的一种全新的结构运动恢复(Structure from Motion, SfM)方法。它的核心创新点在于引入了一个完全可微分的SfM流程,将深度学习模型集成到SfM过程的每个阶段。
VGGSfM的主要特点包括:
端到端可微分性:整个流程是完全可微分的,这使得端到端的训练和优化成为可能。
高精度相机重建:VGGSfM能提供极其精确的相机参数重建,这对下游任务如神经渲染非常有利。
全局优化:同时优化所有相机姿态,避免了增量方法的缺陷。
可微分光束平差(Bundle Adjustment):同时优化相机参数和3D点以最小化重投影误差。
Mast3r(Matching And Stereo Triangulation with 3D Reconstruction)是由Naver Labs开发的一种增强型立体匹配方法。它在Dust3r的基础上,集成了密集局部特征预测和快速互反匹配。Mast3r主要聚焦于利用立体视觉来改善3D点和相机参数估计。
Mast3r的主要特点包括:
密集匹配:在密集特征匹配方面表现出色,能提供详细的3D重建结果。
注意力机制:利用图像对之间的交叉注意力进行稳健的特征提取和匹配。
相机参数重建:虽然不是主要关注点,但在相机姿态估计的精度上略逊于VGGSfM和COLMAP。
为了全面比较VGGSfM和Mast3r的性能,研究者使用了Gaussian Splatting技术对两种方法进行了测试。测试数据集包括NLE_tower(5张图像)、penguin(10张图像)和guitar(27张图像)。
图1: NLE tower数据集上Mast3r(左)和VGGSfM(右)的点云重建结果对比
从重建结果来看:
点云密度:Mast3r生成的点云通常更加密集和多样化。这得益于其优秀的密集匹配能力。
相机姿态精度:VGGSfM在相机姿态重建方面表现更为出色。与COLMAP相比,VGGSfM的相机姿态误差小于0.01角度距离,而Mast3r的误差超过0.1角度距离。
鲁棒性:两种方法都比传统的COLMAP更加鲁棒。在实验中,COLMAP无法重建上述所有数据集,而VGGSfM和Mast3r都能成功完成重建任务。
内存效率:VGGSfM在处理大规模数据集时表现更好。在单个RTX 4090 GPU上,VGGSfM可以重建超过90张图像,而Mast3r在处理超过30张图像时就会遇到困难。
除了点云重建,研究者还使用两种方法的结果进行了Radiance Fields重建,以评估它们在下游任务中的表现。
图2: NLE tower数据集上Mast3r(左)和VGGSfM(右)的Radiance Fields重建结果对比
从Radiance Fields重建结果可以看出:
细节保留:VGGSfM由于其更精确的相机姿态估计,在保留场景细节方面表现更好。
视角一致性:VGGSfM重建的场景在不同视角下保持更好的一致性。
边缘锐利度:VGGSfM重建的场景边缘通常更加锐利和清晰。
值得注意的是,Mast3r(以及VGGSfM)的相机姿态可以作为Radiance Fields训练过程中相机姿态优化的良好初始点。研究者进行了一个玩具实验,将Mast3r的结果与Splatfacto进行进一步的相机姿态优化,取得了令人鼓舞的效果。这表明,结合这些深度学习方法和传统的优化技术可能会带来更好的重建结果。
VGGSfM和Mast3r作为两种基于深度学习的3D重建方法,各有其优势和特点。VGGSfM在相机姿态估计和Radiance Fields重建方面表现出色,而Mast3r则在生成密集和多样化的点云方面更具优势。
这两种方法的出现,为3D场景重建和理解开辟了新的可能性。它们不仅能够处理传统方法难以应对的复杂场景,还为下游任务如神经渲染、增强现实等提供了高质量的输入。
未来的研究方向可能包括:
进一步提高这些方法的计算效率,使其能够处理更大规模的数据集。
探索如何将这些方法与其他技术(如Gaussian Splatting)更好地结合,以获得更高质量的重建结果。
研究如何将这些方法应用到实时3D重建和理解任务中,为增强现实和机器人视觉等领域提供支持。
探索如何利用这些方法生成的高质量3D数据来改进其他计算机视觉任务,如物体检测、场景分割等。
总的来说,VGGSfM和Mast3r代表了3D场景重建领域的最新进展,它们的出现不仅推动了该领域的技术发展,也为相关应用领域带来了新的机遇和挑战。随着这些技术的不断成熟和优化,我们有理由期待在不久的将来,更加精确、高效和实用的3D重建系统将会出现。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号