Learn-to-Score：通过预测视角效用实现高效三维场景探索
计算机视觉与模式识别
2018-08-01 v2
摘要
配备摄像机的无人机现今被用于探索大型场景并重建精细的三维地图。当场景中自由空间近似已知时，离线规划器可生成最优规划以高效探索场景。然而，对于未知场景的探索，规划器必须实时预测并最大化前往位置的效用。传统上，这通过手工设计的效用函数实现。我们提出学习一个更好的效用函数来预测未来视点的有用性。我们所学习的效用函数基于三维卷积神经网络，该网络输入一种新颖的体积场景表示，其隐式捕获先前访问的视点并能泛化至新场景。我们在若干城市场景大型三维模型上使用模拟深度相机评估了该方法。结果表明，我们的方法在重建性能上优于现有效用度量，并对传感器噪声具有鲁棒性。
引用
@article{arxiv.1806.10354,
title = {Learn-to-Score: Efficient 3D Scene Exploration by Predicting View Utility},
author = {Benjamin Hepp and Debadeepta Dey and Sudipta N. Sinha and Ashish Kapoor and Neel Joshi and Otmar Hilliges},
journal= {arXiv preprint arXiv:1806.10354},
year = {2018}
}
备注
16 pages, 7 figures, 5 tables