Abstract
文章主要提出一个大规模的SFM框架,只使用一台计算机(several tens of millions of images)完成世界规模的重建(之前都是城市规模的)。
· 实现的技术:1. 用了streaming-based framework来进行connected component发现;
2. 系统采用基于augment词袋表示方法的适应性的、在线的、iconic image clustering方法
· 成果:实现了registration、comprehensiveness、data compactness这三个目标。
· 最终结果不保证模型的完整性,但是相比之前的方法提升了效率和规模。
1.Introduction
重建最主要的数据来源是internet photo collections。LS-SfM(大规模SFM)近十年来有很大进步,但是数据集中的图片数量是不断增长的。重建的研究从几千张images进展到城市级别的datasets(several millions)。这些研究主要着重于解决以下四个问题:
· Data Robustness:modeling无序的、网络照片集
· Compute & Storage Scalability:效率
· Registration Comprehensiveness:尽可能多的识别出camera-camera之间的关联
· Model Completeness:建出的模型尽可能extensive and panoramic
目前这些研究对于上述问题的解决侧重点不同,本文将只用一台计算机将城市级别的建模提升到世界级别,不保证完整性,但是效率、扩展性这两个方面赶上或超过当前LS-SfM。(Yahoo 数据集、六天、96millons images)
· 扩展性的实现:采用streaming-based paradigm for connected component discovery;
· 注册的全面性和数据的紧密性的平衡:运用基于augment词袋表示方法的适应性的、在线的、iconic image clustering方法
· image cluster representation:克服了之前方法的局限(易于将属于同一个场景的图片划分到多个独立的模型中),也通过聚类避免了,不必要的增加索引结构size(会制约可使用的图片数据集的大小),也是这一streaming-based 过程能够应对photo collections的不断增长。
2. Related work
(1)研究现状:
解决如何组织无序图片集的方法
处理上千张图片的可行性
利用识别来实现image overlap的检测(ten thousands),用appearance-based分组方法表示图片&通过一个iconic scene graph表示图片间的关系。
利用vocabulary tree检索相似图片,以进行几何验证
利用云计算,用62个计算机的集群