Reconstruction the world* in six days 论文笔记

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