Die vorliegende Arbeit verfolgt das übergeordnete Ziel Photogrammetrie und Laser Scans für die neuronalen Strahlenfelder zu kombinieren. Dabei liegt der Fokus auf der Untersuchung, wie die Einbettung von Tiefeninformationen Möglichkeiten erschafft, präzisere und detailreichere dreidimensionale Modelle zu erzeugen. Um dieses Ziel zu verwirklichen, werden drei spezifische Schwerpunkte gesetzt.
Der erste Schwerpunkt liegt auf dem Vergleich der 3D-Rekonstruktion der-selben Szenen durch NeRF, sowohl mit als auch ohne Einbeziehung von Tiefenwerten. Diese Gegenüberstellung erfolgt durch die Anwendung quantitativer Metriken wie Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM) und Learned Perceptual Image Patch Similarity (LPIPS), um qualitative Unterschiede zu quantifizieren. Auf diese Weise wird eine detaillierte Analyse ermöglicht, und die Qualität der Rekonstruktionen kann anhand objektiver Maßstäbe verglichen werden. Inwiefern kann die Verwendung von Tiefeninformationen den Rekonstruktionsprozess mit NeRFs verbessern?
Der zweite Schwerpunkt liegt darauf, synthetische Laserscans zu erstellen, welche keine perfekten Tiefeninformationen für alle Pixel im Bild liefern können. Inwiefern verändern sich die Ergebnisse, wenn wir simuliert schlechtere, aber realistischere Tiefeninformationen für den Rekonstruktionsprozess verwenden?
Der dritte und finale Schwerpunkt liegt auf der Anwendung von real aufgenommenen Daten. Vorher wurden alle Szenen in der 3D-Modellierungssoftware Blender erstellt. Inwiefern können die Laserscan-Daten mit den aufgenommenen Bilddaten kombiniert werden, um ein besseres Rekonstruktionsergebnis zu erzeugen?
Alle diese Schwerpunkte zusammen sollen die zentrale Frage beantworten: Ob und inwiefern kann der Rekonstruktionsprozess von neuronalen Strahlenfeldern mit Hilfe von Tiefenkarten verbessert werden?
Inhaltsverzeichnis
- 1 Einleitung
- 1.1 Hintergrund und Kontext der Arbeit
- 1.2 Motivation
- 1.3 Zielsetzung der Arbeit
- 1.4 Struktur der Arbeit
- 2 Theoretischer Hintergrund
- 2.1 Photogrammetrie
- 2.1.1 Anwendungsbereiche
- 2.1.2 Arten
- 2.2 Laser Scans Light Detection and Ranging (Lidar)
- 2.3 Neuronale Netze
- 2.3.1 Topologie der neuronalen Verbindungen
- 2.3.2 Biologisches Vorbild
- 2.3.3 Funktionsweise
- 2.3.4 Lernverfahren
- 2.4 Transformation von Objektpunkten zu Bildpunkten durch Projektionsmatrix
- 2.5 Punktwolken
- 2.6 Tiefenkarten
- 2.6.1 Umwandlung von Punktwolken zu Tiefenkarten
- 2.6.2 Darstellung der Tiefenkarten
- 2.7 Neuronale Strahlenfelder NeRF
- 2.7.1 Szenenrepräsentation
- 2.7.2 Volumetrisches Rendern der Strahlenfelder
- 2.7.3 Positionelle Kodierung
- 2.7.4 Hierarchische Volumen Stichprobe
- 2.8 Nerfstudio
- 2.8.1 Nerfacto
- 2.8.2 Depth-Nerfacto
- 2.9 Bewertungsmetriken
- 2.9.1 Peak Signal to Noise Ratio
- 2.9.2 SSIM
- 2.9.3 LPIPS
- 2.10 Blender
- 2.1 Photogrammetrie
- 3 Methodik
- 3.1 Einleitung
- 3.1.1 Forschungsziel
- 3.1.2 Zielsetzung des Methodik
- 3.2 Generierung synthetischer Datensätze
- 3.2.1 Erstellung von 3D-Szenen in Blender
- 3.2.2 Rendern von Bildern
- 3.3 Generierung synthetischer Laserscans
- 3.3.1 Prozentuale Reduzierung der Punktdichte
- 3.3.2 Vergleich mit perfekten Tiefenkarten aus Blender
- 3.4 Übergang zu natürlichen Datensätzen
- 3.4.1 Auswahl der Scannet Datensätze
- 3.4.2 Entzerrung des Scannet Datensatzes
- 3.4.3 Berechnung der Tiefenkarten aus Scannet++ Datensatz
- 3.5 Validierung der Ergebnisse
- 3.5.1 Vergleich mit etablierten Messmethoden
- 3.1 Einleitung
- 4 Ergebnisse
- 4.1 Vorstellung 3D-Modelle
- 4.2 Einfluss von Tiefenkarten auf NeRF
- 4.2.1 Quantitative Untersuchung
- 4.2.2 Qualitative Untersuchung
- 4.3 Vergleich simulierter Laserscans mit perfekten Tiefeninformation
- 4.3.1 Rekonstruktion der Tiefe
- 4.3.2 Quantitative Untersuchung
- 4.4 Rekonstruktion realer Szenen
- 4.4.1 Entzerrung der Bilder
- 4.4.2 Bestimmung der Tiefenkarten
- 4.4.3 Quantitative Untersuchung
- 4.4.4 Qualitative Untersuchung
- 5 Diskussion
- 5.1 Zusammenfassung wichtigster Ergebnisse
Zielsetzung und Themenschwerpunkte
Die vorliegende Bachelorarbeit untersucht die Verbesserung der Rekonstruktion von neuronalen Strahlenfeldern durch Integration von Tiefenkarten. Das Hauptziel ist es, den Einfluss von Tiefeninformationen auf die Qualität der Rekonstruktion zu analysieren. Die Arbeit befasst sich mit den Themen Photogrammetrie, Laserscans, Neuronale Netze und neuronalen Strahlenfeldern.
- Einfluss von Tiefeninformationen auf die Rekonstruktion von neuronalen Strahlenfeldern
- Integration von Laserscan-Daten in den Trainingsprozess neuronaler Strahlenfelder
- Bewertung der Rekonstruktionsqualität durch quantitative und qualitative Analyse
- Anwendung auf synthetische und reale Datensätze
- Entwicklung von Methoden zur Kombination von Photogrammetrie und Laserscans für neuronale Strahlenfelder
Zusammenfassung der Kapitel
Kapitel 1 führt in die Thematik ein und beschreibt den Hintergrund, die Motivation und die Zielsetzung der Arbeit. Kapitel 2 bietet einen umfassenden theoretischen Überblick über die relevanten Konzepte und Technologien, darunter Photogrammetrie, Laserscans, Neuronale Netze, neuronale Strahlenfelder und die relevanten Methoden zur Datenverarbeitung. Kapitel 3 erläutert die angewendete Methodik, die sowohl die Generierung synthetischer Datensätze als auch die Verwendung realer Datensätze umfasst. Kapitel 4 präsentiert die Ergebnisse der durchgeführten Analysen, sowohl quantitative als auch qualitative Ergebnisse. Kapitel 5 diskutiert die Ergebnisse und zieht Schlussfolgerungen für zukünftige Forschung.
Schlüsselwörter
Photogrammetrie, Laserscans, Neuronale Strahlenfelder, Tiefenkarten, Rekonstruktion, Neuronale Netze, Scannet, Blender, Nerfstudio, quantitative und qualitative Analyse.
- Quote paper
- Falko Horn (Author), 2024, Kombination von Photogrammetrie und Laserscans für Neuronale Strahlungsfelder, Munich, GRIN Verlag, https://www.grin.com/document/1452466