摘要: 基于图像序列的表面重建在医疗分析、教育演示、电力维修、游戏电影制作、赛事直播互动等行业有着广泛的应用。经过数十年的迭代成果显著，但仍然存在一些未能完美解决的问题，比如细微结构的高精度重建、实时交互式场景重建、对具有镜面反射属性的表... 展开 基于图像序列的表面重建在医疗分析、教育演示、电力维修、游戏电影制作、赛事直播互动等行业有着广泛的应用。经过数十年的迭代成果显著，但仍然存在一些未能完美解决的问题，比如细微结构的高精度重建、实时交互式场景重建、对具有镜面反射属性的表面的重建、复杂光照环境下无纹理区域的高精度重建等。现有算法难以在提高完整度的同时增加表面细节恢复，因为其会平滑掉部分细节，或者在恢复细节时无法实现无纹理区域的重建。本文提出一种基于超像素深度补全的多视图立体和基于迭代细分的阴影约束联合优化算法，在提高重建完整度的同时能恢复更多表面细节。 本文针对现有多视图立体算法难以在无纹理区域恢复出可靠的表面形状问题，提出基于超像素分割和空间传播的深度补全，改善单视角深度图的稠密性，进而提高弱纹理或无纹理区域的重建完整度。同时针对具有空间变化反照率的物体表面高频细节容易丢失的问题，本文提出全局连续的整体照明光照模型，改善了离散顶点之间内在拓扑耦合的约束，并且利用附加变量对可能出现的几何结构或光照突变进行表征。在此基础上，本文还提出在连续细分表面上的联合优化结构，结合每次迭代得到的几何形状对环境光照、物体表面反射性质以及几何顶点进行迭代更新，在提高了重建完整度的同时增强对表面高频细节的恢复。 为了验证所提算法的有效性，本文利用常见的Middlebury、ETH3D等数据集进行了实验。从实验结果可以看出，本文基于阴影约束的多视图立体算法在数据集上的测试中无论是定性分析还是定量分析，相比于现有的开源算法都有了较大的改善。表示本文算法可以在提高重建完整度基础上增加表面高频细节的恢复能力，并且算法具有鲁棒性。 收起