-
公开(公告)号：CN118351162A
公开(公告)日：2024-07-16
申请号：CN202410513144.0
申请日：2024-04-26
Applicant: 安徽大学
IPC: G06T7/557 , G06T7/73 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开一种基于拉普拉斯金字塔的自监督单目深度估计方法，输入连续图像序列，使用深度估计网络和位姿估计网络获取估计粗深度图和位姿转换信息，使用粗深度图和位姿转换信息重建原图，最后计算和最小化图像重建损失本发明可以计算出高精度的深度图，具有广泛的应用场景，包括三维重建、多视图立体、文化遗产的数字化保护、元宇宙、虚拟现实和增强现实等。
-
公开(公告)号：CN116993925A
公开(公告)日：2023-11-03
申请号：CN202311240044.7
申请日：2023-09-25
Applicant: 安徽大学
Abstract: 本发明公开一种面向大规模三维重建的分布式集束调整方法，先计算场景的稀疏点云模型和摄像机参数；针对稀疏点云模型和摄像机参数，建立对应的误差方程；根据摄像机的感知一致性，采用近似分割算法将大规模集束调整问题划分为分布式环境下可求解的小规模问题；采用道格拉斯‑拉赫福德分裂方方法求解每一个分布式节点上的优化问题；融合分布式节点上的点云模型和摄像机参数即可获得高质量的点云模型。本发明充分利用大规模图像数据之间的区域性，将大规模场景三维重建中的集束优化问题转化为可以在低性能计算机上求解的小规模集束优化问题，既提高三维重建的时间效率，又降低三维重建的成本。
-
公开(公告)号：CN116071504A
公开(公告)日：2023-05-05
申请号：CN202310205404.3
申请日：2023-03-06
Applicant: 安徽大学
Abstract: 本发明公开一种面向高分辨率图像的多视图立体重建方法，对参考图像和源图像使用动态特征提取网络计算特征图，将提取到的源视图特征映射到参照平面构建代价体；使用三维卷积神经网络对代价体进行正则化处理，获到概率体，通过偏置回归算法使得深度值更加接近真实值，进而提高深度图的精度。同时使用不确定性距离估计方法，优化深度值估计范围，计算出精确的深度采样范围，进而采用动态范围采样处理，重复上述操作，直到计算出半分辨率深度图，使用深度图优化网络对半分辨率的深度图进行优化，计算出全分辨率的深度图，对全分辨率的深度图进行融合，从而获得高质量的稠密点云模型。本发明能实现快速计算出大规模场景的高质量稠密点云的目标。
-
公开(公告)号：CN114332510A
公开(公告)日：2022-04-12
申请号：CN202210001464.9
申请日：2022-01-04
Applicant: 安徽大学
IPC: G06V10/75 , G06V10/762 , G06K9/62 , G06N20/00
Abstract: 本发明公开一种层次化的图像匹配方法，获得查询图像和参考图像特征点特征描述子，从参考图像包含的局部特征点中，为查询图像中的每个局部特征点寻找两个最相似的候选匹配特征点；并依次筛选出最佳特征匹配结果。本发明能够快速地计算出两幅图像之间的特征匹配点，然后应用于一系列的基于图像匹配的高层次计算机视觉任务中：基于图像的三维重建、同时定位与地图构建、图像检索、地图导航、数字孪生、图像拼接、混合现实、虚拟现实和增强现实等。
-
公开(公告)号：CN119559230B
公开(公告)日：2025-05-06
申请号：CN202410426737.3
申请日：2024-04-10
Applicant: 安徽大学
Abstract: 本发明公开一种基于手动特征伪装的热图像深度估计方法，首先输入原始热图像和相机内部参数；然后，计算得到加强热图像；其次，构造特征提取编码器、计算热图像特征图及其集合；再次，构造特征伪装结构，计算不确定特征图；从次，构造特征向量解码器，计算估计深度图；和地面真实值计算混合损失；最后，根据估计深度图和地面真实值计算混合损失，即可获得精确的深度图。本发明既能解决现有基于自监督的单目图像深度估计方法在处理大规模室外环境条件恶劣图像数据时所产生的远距离信息感知不足问题，又能提高估计深度的工作效率，为大规模室外环境条件恶劣图像数据在深度估计领域的应用以及三维立体重建和视觉导航技术的发展奠定了重要基础。
-
Patent Agency Ranking
公开(公告)号：CN118351162B
公开(公告)日：2025-04-11
申请号：CN202410513144.0
申请日：2024-04-26
Applicant: 安徽大学
IPC: G06T7/557 , G06T7/73 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开一种基于拉普拉斯金字塔的自监督单目深度估计方法，输入连续图像序列，使用深度估计网络和位姿估计网络获取估计粗深度图和位姿转换信息，使用粗深度图和位姿转换信息重建原图，最后计算和最小化图像重建损失本发明可以计算出高精度的深度图，具有广泛的应用场景，包括三维重建、多视图立体、文化遗产的数字化保护、元宇宙、虚拟现实和增强现实等。
-
公开(公告)号：CN119107416B
公开(公告)日：2025-03-21
申请号：CN202411320983.7
申请日：2024-09-23
Applicant: 安徽大学
Abstract: 本发明公开一种基于混合特征的稀疏视角X射线光图像三维重建方法，利用梯度值作为权重来引导采样射线，使采样射线尽可能分布在变化较明显的区域；使用三平面分解特征和哈希编码特征进行混合，将混合特征送入衰减场预测网络预测衰减值，使用衰减权重预测网络(W‑NAF)预测X射线路径上每个采样像素点的衰减权重，通过这两个网络得到采样像素点处的衰减值和衰减权重值；通过累积沿采样射线的衰减值来生成预测的投影像素值，然后通过最小化预测投影和真实的X射线图像之间的差异来优化网络。
-
公开(公告)号：CN119559230A
公开(公告)日：2025-03-04
申请号：CN202410426737.3
申请日：2024-04-10
Applicant: 安徽大学
Abstract: 本发明公开一种基于手动特征伪装的热图像深度估计方法，首先输入原始热图像和相机内部参数；然后，计算得到加强热图像；其次，构造特征提取编码器、计算热图像特征图及其集合；再次，构造特征伪装结构，计算不确定特征图；从次，构造特征向量解码器，计算估计深度图；和地面真实值计算混合损失；最后，根据估计深度图和地面真实值计算混合损失，即可获得精确的深度图。本发明既能解决现有基于自监督的单目图像深度估计方法在处理大规模室外环境条件恶劣图像数据时所产生的远距离信息感知不足问题，又能提高估计深度的工作效率，为大规模室外环境条件恶劣图像数据在深度估计领域的应用以及三维立体重建和视觉导航技术的发展奠定了重要基础。
-
公开(公告)号：CN119417995A
公开(公告)日：2025-02-11
申请号：CN202510027365.1
申请日：2025-01-08
Applicant: 安徽大学
IPC: G06T17/00 , G06N3/0464 , G06N3/045 , G06N3/088 , G06V20/70 , G06V10/74 , G06V10/34 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/766 , G06V10/82 , G06N3/048
Abstract: 本发明公开一种抗遮挡区域的无监督多视图立体重建方法，能够在无需依赖真实深度信息的情况下，通过处理来自多个视角的图像，有效解决遮挡区域的三维重建问题，并计算出具有高精度的点云模型。首先，提取多尺度特征；然后，采用可变形的大核注意力网络聚合全局信息，计算场景的深度图和对应的置信图；其次，计算对比一致性损失和感知一致性损失为深度估计过程提供伪监督信号，优化深度图；最后，融合深度图，即可获得点云模型。本发明充分利用基于多种监督项的无监督多视图立体计算方法，有效挖掘输入图像自身的特征，估计出高质量的深度图，进而计算出精确的点云模型。
-
公开(公告)号：CN116091712B
公开(公告)日：2023-06-27
申请号：CN202310382538.2
申请日：2023-04-12
Applicant: 安徽大学
IPC: G06T17/00 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请属于三维重建技术领域，具体涉及面向计算资源受限设备的多视图立体重建方法与系统，方法包括：输入多视角的图像数据；根据输入的所述图像数据，计算相机的外部参数矩阵、内部参数矩阵和深度值范围，获取新的图像数据；构建端到端的多视图立体重建网络模型；将所述新的图像数据输入所述多视图立体构建网络模型进行训练，计算获得推理模型参数；将预训练的神经网络模型作为输入图像样本生成并融合全分辨率深度图，获得三维点云模型。本申请构建多视图立体重建网络模型，解决现有多视图立体方法对高性能计算资源的过度依赖问题，使得在计算资源受限的设备上实现基于深度学习的多视图立体重建过程。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.035 seconds)
