ارزیابی بازسازی سه بعدی اجسام به روش میدان های بازتابش عصبی (nerf)

از آنجا که بازه ی بسیار وسیعی از کاربرد های مدلسازی سه بعدی نیاز به تولید دقیق، با کیفیت و مطابق با واقعیت اجسام دارد تا کنون روش های متنوع و متفاوتی ارائه و توسعه داده شده است. یکی از روش-های نوین در این زمینه، تولید مدل سه بعدی با استفاده از تکنیک مبتنی بر رندرینگ عصبی بوده که به لطف پیشرفتهای اخیر در شبکه های عصبی توانسته به نتایج شگرفی در نمایش و تولید مدل سه بعدی دست یابد. nerf (میدان تابشی عصبی یا نِرف) و متدهای توسعه یافته ی آن در بسیاری از علومی که به بینایی ماشین مرتبط می شود به سرعت در حال رشد و جایگزین شدن روش های سنتی پیشین است. از اینرو لازم است متخصصان علم نقشه برداری وعلی-الخصوص فتوگرامتری با سرعت بیشتری نسبت به استفاده از این تکنیک در حوزه ی کاری خود اقدام به بهره برداری از آن کنند. این مقاله قصد دارد با معرفی و مقایسه این رویکرد با روش مرسوم mvs و بیان مزایا و کاستی های آن در مدلسازی سه بعدی قدمی در این زمینه بردارد. از مهمترین چالش هایی که برای استفاده از این روش در کاربرد های موقعیت یابی مطرح است، تبدیل تصاویر تولید شده به مش با کمترین افت کیفیت است.

evaluation of the three-dimensional reconstruction of objects by the neural reflection fields (nerf) method

there is a need to produce accurate, high-quality objects in reality. so far, various and different methods have been presented and developed. one of the new methods in this field is the production of a 3d model using a technique based on neural rendering, which, thanks to recent advances in neural networks, has achieved tremendous results in the display and production of a 3d model. nerf (neural radiation field) and its developed methods are rapidly growing and replacing traditional methods in many sciences related to machine vision. therefore, it is necessary for experts in geomatic, especially photogrammetry, to exploit this technique faster than using this technique in their field of work. this article intends to take a step in this field by introducing and comparing this approach with the conventional mvs method and stating its advantages and disadvantages in 3d modeling. one of the most critical challenges for using this method in positioning applications is converting the generated images into a mesh with the least quality loss.