DOI: https://doi.org/10.1049/ell2.70573
تاريخ النشر: 2026-01-01
المؤلف: Ondrej Hlinka وآخرون
الموضوع الرئيسي: الرؤية المتقدمة والتصوير
نظرة عامة
في هذا البحث، يتناول المؤلفون تحدي إعادة بناء الأسطح ثلاثية الأبعاد من خرائط العمق والاتجاه السطحي التي تم الحصول عليها عبر كاميرا منظور واحدة. يقدمون طريقة دمج عمق السجل الواعي بالمنظور التي تعزز التقنيات الحالية المعتمدة على التدرجات الإحداثية من خلال دمج الإسقاط المنظوري، مما يؤدي إلى إعادة بناء ثلاثية الأبعاد بدقة مترية. كما تعالج الطريقة المقترحة مشكلة قياسات العمق المفقودة من خلال الاستفادة من بيانات الاتجاه السطحي المتاحة للتلوين.
يستنتج المؤلفون أن نهج الدمج الجديد الخاص بهم يحول فعليًا مشكلة دمج المنظور إلى واحدة إحداثية من خلال استبدال عمق السجل، مما يسمح بتمديد الطرق الإحداثية إلى بيانات المنظور. تقييمهم على مجموعة بيانات DiLiGenT-MV يبرز قدرة الطريقة على إدارة معلومات العمق المفقودة وأداء التلوين الواعي بالمنظور، مما يسلط الضوء على أهمية الوعي بالمنظور في دمج العمق والاتجاهات.
نقاش
في هذا القسم، يناقش المؤلفون دمج الاتجاهات السطحية وبيانات العمق، مع تسليط الضوء على قيود الطرق الحالية التي تركز فقط على دمج الاتجاهات دون معالجة دمج بيانات العمق. يقدمون نهجًا منهجيًا لدمج العمق والاتجاهات السطحية يسمح بتمديد الطرق المعتمدة على التدرجات الإحداثية إلى سيناريوهات الإسقاط المنظوري. لا يحسن هذا النهج الأداء مقارنة بالطرق السابقة فحسب، بل يدير أيضًا بشكل جوهري بيانات العمق المفقودة أو غير الموثوقة من خلال التلوين الواعي بالمنظور، مما يلغي الحاجة إلى تقنيات الاستيفاء العشوائية.
يقدم المؤلفون مساهماتهم، مؤكدين فوائد استخدام صياغة عمق السجل، التي تسهل إعادة استخدام الحلول الإحداثية الحالية في سياق واعٍ بالمنظور. يوضحون العلاقات الرياضية التي تم إنشاؤها بين الاتجاهات السطحية وتدرجات العمق تحت كل من الإسقاطات الإحداثية والمنظورية، مما يوضح كيف يمكن لإطار تحسينهم التعامل بكفاءة مع دمج العمق والاتجاهات. تكشف تقييمات الأداء على مجموعة بيانات DiLiGenT-MV أن طرقهم الواعية بالمنظور تتفوق بشكل كبير على الطرق التقليدية، مما يبرز ضرورة مراعاة المنظور في مهام دمج العمق والاتجاهات.
DOI: https://doi.org/10.1049/ell2.70573
Publication Date: 2026-01-01
Author(s): Ondrej Hlinka et al.
Primary Topic: Advanced Vision and Imaging
Overview
In this research, the authors tackle the challenge of reconstructing 3D surfaces from depth and surface normal maps obtained via a single perspective camera. They introduce a perspective-aware log-depth fusion method that enhances existing orthographic gradient-based techniques by incorporating perspective projection, resulting in metrically accurate 3D reconstructions. The proposed method also addresses the issue of missing depth measurements by utilizing available surface normal data for inpainting.
The authors conclude that their novel fusion approach effectively transforms the perspective fusion problem into an orthographic one through log-depth substitution, allowing the extension of orthographic methods to perspective data. Their evaluation on the DiLiGenT-MV dataset underscores the method’s capability to manage missing depth information and perform perspective-aware inpainting, thereby highlighting the significance of perspective awareness in depth-normals fusion.
Discussion
In this section, the authors discuss the integration of surface normals and depth data, highlighting the limitations of existing methods that focus solely on normal integration without addressing depth data fusion. They introduce a systematic log-depth approach to depth-normals fusion that allows for the extension of orthographic gradient-based methods to perspective projection scenarios. This approach not only improves performance over previous methods but also inherently manages missing or unreliable depth data through perspective-aware inpainting, eliminating the need for ad-hoc interpolation techniques.
The authors present their contributions, emphasizing the benefits of using a log-depth formulation, which facilitates the reuse of existing orthographic solvers in a perspective-aware context. They detail the mathematical relationships established between surface normals and depth gradients under both orthographic and perspective projections, demonstrating how their optimization framework can efficiently handle depth-normals fusion. Performance evaluations on the DiLiGenT-MV dataset reveal that their perspective-aware methods significantly outperform traditional approaches, underscoring the necessity of accounting for perspective in depth-normals fusion tasks.