Aerial path planning for 3D urban scene reconstruction with dual-task reconstructability learning and adaptive viewpoints selection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Using images captured by Unmanned Aerial Vehicles (UAVs) to perform 3D reconstruction is a cost-effective way to acquire high-quality 3D models for large-scale urban scenes. The challenge, however, has become choosing camera viewpoints and planning flight path accordingly. Existing methods either plan the aerial path heuristically or train a reconstructability predictor, where the accuracy and completeness losses are optimized separately in a two-phase approach, leading to inaccurate reconstruction results and poor generalizability. To address these issues, this paper proposes a dual-task learning framework that establishes the correlation between viewpoint poses and reconstruction quality. In particular, the reconstructability estimation problem is modeled as two subtasks: reconstruction accuracy and reconstruction completeness, allowing both subtasks to be tackled simultaneously within a unified network. The model’s generalizability is improved by the soft parameter sharing and a new dual-loss function with trainable weight parameters. In addition, an adaptive viewpoint optimization strategy is proposed to refine an initial set of viewpoints generated based on the learned reconstructability. Our framework is extensively evaluated on both public datasets and two datasets we collected. Qualitative and quantitative experimental results demonstrate the superiority of our method in both synthetic and real scenes. Our framework achieves consistent improvements over state-of-the-art approaches by an average of 3.6% in F-score with 15% fewer images, and surpasses Oblique Photography with a 6% F-score gain while using 40% less image data. These advancements hold universally across all test scenes, outperforming prior methods in terms of accuracy and completeness. • A dual-task framework to predict reconstruction accuracy and completeness error. • A dual-loss with trainable weight parameters to balance the training of subtasks. • An adaptive viewpoint optimization strategy to achieve better reconstruction results. • State-of-the-art performance in synthetic and real scenes across different datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle