簡介
系統 pipeline:
non-rigid 重建的整個流程如下圖所示:
首先由重建的 TSDF 模型,採用 marching cube 算法提取重建好的表面,然後搜索表面和輸入 RGB-D 圖像的匹配點,由匹配點計算 deformation field 參數,最後根據優化得到的 deformation field 參數將新輸入的 RGB-D 圖像融合到 TSDF 模型中。整個流程相對於 dynamicfusion 算法主要有三點不同:
1)VolumeDeform 系統表示重建空間的幾何結構和 deformation field 時,採用同一個 volumetric 模型。
2)在計算 deformation field 時,加入 SIFT 特徵點約束。
3)採用一種新的優化策略實時求解 deformation field 非剛性配準參數。
場景表示
同 DynamicFusion 不同的是,VolumeDeform 採用同一個 volumetric 模型表示重建的空間,同時表示 deformation field 參數,每個 voxel 存儲的信息包括 6 項:
truncated signed distance
color
confidence value
deformation field 參數
deformation field 參數 (論文表達不清楚自行腦補)
deformation field 權重 (論文表達不清楚自行腦補)
由 TSDF 模型通過 marching cube 算法提取重建的表面,再通過 deformation field 參數計算得到 warp 後的表面,warp 後的表面和當前系統輸入的 RGB-D 圖像搜索對應點。
匹配關聯
VolumeDeform 系統通過兩種方式匹配對應點:
1)通過投影算法確定 warp 後的 mesh 和輸入深度圖像之間的匹配點。
2)通過 SIFT 匹配,確定當前輸入圖像(還是從模型投影的 RGB-D 圖像,作者沒表達清楚),和之間3)存儲的所有幀 RGB-D 圖像(模型投影)對應點,SIFT 特徵點座標通過 deformation field 參數變換到統一的 canonical 座標系。
deformation field 優化能量函數
優化能量函數包括三項:
其中,data 項同 DynamicFusion:
SIFT 特徵約束項:
以及 ARAP(As Rigid As Possible)約束:
參數優化
優化的總的能量函數:
優化時,並不是將所有 voxel 的 參數都優化,只優化 TSDF 0 值附近網格點的參數。
優化時作者用了 iterative flip-flop optimization strategy 的優化策略:首先固定 warp field R 優化 t,然後固定 t 再優化 R,兩步循環迭代指導收斂。
Data-Parallel Rotation Update
每個 voxel 優化的 deformation field 參數 R 是獨立的,並行優化,對於 R 參數優化有閉式解(怎麼解出來閉式解的還要再細看參考文獻)。
對於 t 優化需要迭代,作者採用 PCG 迭代求解。
Hierarchical Optimization Strategy
作者採用分層優化,將 coarse 層計算結果作爲初值賦給 fine 層,這樣可以提高收斂範圍和優化效率。
融合
融合步驟同 DynamicFusion。