X-Section：用于增强 RGBD 融合的横截面预测
计算机视觉与模式识别
2019-08-13 v3
摘要
详细的 3D 重建是一个重要挑战，可应用于机器人技术、增强现实与虚拟现实，并在过去几年中取得了显著进展。这些进展得益于深度相机（RGB-D）的可用性以及计算能力的提升（例如以 GPU 的形式），同时也得益于机器学习在该过程中的引入。在此，我们提出 X-Section，一种 RGB-D 3D 重建方法，利用深度学习对厚度进行对象级预测，这些预测可随时集成到体积多视图融合过程中，其中我们提出了对流行的 KinectFusion 方法的扩展。本质上，我们的方法能够在一般室内场景中补全 RGB-D 相机感知范围之外的形状，这对于例如机器人操作任务或高效场景探索可能至关重要。预测物体厚度而非体积使我们能够在所采用的卷积神经网络上，以相对较高的空间分辨率工作，而不会使内存与训练数据需求激增。在一系列定性与定量评估中，我们展示了如何准确预测物体厚度并重建包含多个物体的一般 3D 场景。
引用
@article{arxiv.1903.00987,
title = {X-Section: Cross-Section Prediction for Enhanced RGBD Fusion},
author = {Andrea Nicastro and Ronald Clark and Stefan Leutenegger},
journal= {arXiv preprint arXiv:1903.00987},
year = {2019}
}