【三维重建】开源 | CVPR2020 | SurfelMeshing:轻松闭环，重建高分辨率的颜色，且能重建稀疏对象

论文地址：http://arxiv.org/pdf/1810.00729v2.pdf 代码：https://github.com/puzzlepaint/surfelmeshing 来源：苏黎世联邦理工学院 论文名称：SurfelMeshing: Online Surfel-Based Mesh Reconstruction 原文作者：Thomas Schops

在本文中解决了从实时RGB-D视频中重建网格的问题，假设有一个校准的摄像机和外部提供的姿态(例如由SLAM系统提供)。与目前大多数的方法相比，我们没有将深度测量融合在一个体积中，而是融合在一个密度surfel云中。我们异步地(重新)三角化平滑surfels来重建一个表面网格。这种方法能够在SLAM过程中保持场景的稠密表面表现，能够快速适应闭环。这可以通过变形surfel云和在需要的地方异步地重新映射表面来实现。基于surfer的表示也支持变化范围较大的扫描分辨率。特别地，它根据输入相机的分辨率重建颜色。此外，与许多体积方法相比，由于对象不需要封装体块，本文中的方法可以重建稀疏对象。将本文方法应用到一些实验中，结果表明重建性能表现SOTA，同时本文还讨论了该方法的优势和局限性。

下面是论文具体框架结构以及实验结果：

人工智能，每日面试题：

解决隐马模型中预测问题的算法是？

　　A.前向算法

　　B.后向算法

　　C.Baum-Welch算法

　　D.维特比算法

每日面试题，答案：

号主答案：D

解析：A、B：前向、后向算法解决的是一个评估问题，即给定一个模型，求某特定观测序列的概率，用于评估该序列最匹配的模型。

C：Baum-Welch算法解决的是一个模型训练问题，即参数估计，是一种无监督的训练方法，主要通过EM迭代实现；

D：维特比算法解决的是给定 一个模型和某个特定的输出序列，求最可能产生这个输出的状态序列。如通过海藻变化（输出序列）来观测天气（状态序列），是预测问题，通信中的解码问题。

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。