Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
City-Mesh3R은 다중 뷰 이미지를 활용하여 시뮬레이션에 즉시 사용 가능한 도시 규모의 3D 메쉬를 재구성하는 프레임워크입니다. 분할 정복 전략과 곡률 인지 적응형 리메싱을 통해 대규모 장면에서도 고충실도의 워터타이트(watertight) 표면을 생성합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기다운스트림 3D 시뮬레이션 (3D simulation)을 위한 다중 뷰 이미지 기반의 도시 규모 3D 표면 재구성 (3D surface reconstruction)은 도시 장면의 규모와 복잡성으로 인해 매우 도전적인 문제들을 야기합니다. NeRF, Gaussian Splatting 등에 기반한 기존의 도시 규모 3D 재구성 방법들은 불완전하거나 누락된 기하학적 구조(geometry), 그리고 불규칙하고 노이즈가 있는 표면으로 인해 시뮬레이션에 즉시 사용할 수 있는 3D 메쉬 (3D meshes)를 복원하는 데 종종 실패합니다. 기존의 소규모 3D 재구성 방법들을 임의의 거대한 도시 장면으로 확장하는 것은 계산 복잡성 (computational complexity)으로 인해 매우 불가능에 가깝습니다. 본 논문에서는 대규모의 비정렬 이미지 컬렉션으로부터 워터타이트(watertight) 표면 메쉬를 직접 재구성하는 확장 가능한 프레임워크인 City-Mesh3R을 제안합니다. 전역적인 희소 SfM (sparse SfM) 포인트 클라우드 초기화 이후 대규모 장면에 대한 분산형 3D 밀집 재구성 (distributed 3D dense reconstruction)을 수행하는 최근 방법들과 달리, 우리의 방법은 분할 정복 (divide-and-conquer) 전략을 사용하는 엔드 투 엔드 이미지-투-메쉬 (end-to-end images-to-mesh) 3D 재구성 접근 방식을 따릅니다. 희소 도시 지도는 전수 이미지 특징 매칭 (exhaustive image feature matching) 없이도 위상적 이미지 클러스터링 (topological image clustering), 클러스터별 독립적 희소 SfM 및 지도 병합을 통해 재구성됩니다. 그 후, 이 지도는 공간적으로 분할되어 기하학 인지 카메라 선택 (geometry-aware camera selection)을 수행하며, 이어서 곡률 인지 적응형 정점 밀도 리메싱 (curvature-aware adaptive vertex density remeshing)을 사용한 밀집 표면 재구성 및 표면 정밀화가 이루어집니다. 이렇게 분할된 메쉬들은 이후 하나로 결합되어 도시의 전역 메쉬를 생성합니다. 제안된 엔드 투 엔드 프레임워크는 도시 규모 재구성 데이터셋을 통해 평가되었습니다. 정성적 및 정량적 결과에서 입증되었듯이, 우리가 제안한 방법은 미세한 표면 세부 사항을 포착하면서도 규칙적인 기하학적 구조를 가진 고충실도(high-fidelity) 워터타이트 3D 메쉬를 생성하며, 분산 환경에서의 엔드 투 엔드 처리 덕분에 임의의 거대한 장면으로 확장하는 데 적합합니다.