PoolNet：面向 2D 到 3D 视频处理的深度学习验证方法
计算机视觉与模式识别
2025-12-08 v1 机器学习
摘要
从序列和非序列图像数据中提升运动恢复结构（SfM）信息是一项耗时且计算昂贵的任务。此外，大多数公开可用的数据由于相机姿态变化不足、场景元素被遮挡以及噪声数据而不适合处理。为解决这一问题，我们提出了 PoolNet，一个用于野外数据中帧级和场景级验证的多功能深度学习框架。我们证明了我们的模型能够成功区分适合 SfM 的场景与不适合处理的场景，同时显著降低最先进的算法获取运动恢复结构数据所需的时间。
引用
@article{arxiv.2512.05362,
title = {PoolNet: Deep Learning for 2D to 3D Video Process Validation},
author = {Sanchit Kaul and Joseph Luna and Shray Arora},
journal= {arXiv preprint arXiv:2512.05362},
year = {2025}
}
备注
All code related to this paper can be found at https://github.com/sanchitkaul/PoolNet.git