PSDF融合技术：实时三维场景重建与数据融合的概率方法

"PSDF融合：实时三维数据融合和场景重建的概率符号距离函数" 本文提出了一种新型的三维空间表示方法，即概率符号距离函数（PSDF），用于实时三维数据融合和场景重建。PSDF是一种创新的数据结构，它利用概率模型来描述三维空间中的不确定性，特别是在处理深度传感器数据时的噪声和不精确性。这种表示方式结合了SDF（Signed Distance Function）值与其内部点的概率分布，从而能够反映出输入数据的质量和表面几何形状。 PSDF融合方法采用了一个混合数据结构，其中包括体素、面元和网格，旨在充分利用各种3D表示的优点。通过PSDF连接，这些组件能够在一致的框架下协同工作，以实现高效的数据融合。在接收顺序深度测量时，PSDF可以通过简单的贝叶斯更新方法递增地进行精细化，减少了对特定参数的依赖。 在PSDF的支持下，系统能够在运行时提取出高质量的表面，并且这一过程有助于利用几何信息进行可靠的数据融合。实验结果显示，采用这种方法重建的场景具有高模型质量，低冗余度，并且其运行速度优于现有的在线网格生成系统。 文章进一步讨论了在线稠密场景重建的问题，强调了处理不确定性的重要性，尤其是在考虑样本密度、测量精度和表面复杂性时。传统方法如基于surfel、点云或体积的方法各有优缺点，而PSDF则试图克服这些限制，提供一个更加全面和稳健的解决方案。 在数据融合过程中，基于surfel和点的方法使用过滤概率模型处理输入数据，而基于体积的方法则通过最大化空间概率分布来获得离散化表示。相比之下，基于网格的方法可能涉及误差函数的参数优化。尽管这些方法在特定应用中表现出色，但它们的数据结构存在一定的局限性，例如缺乏拓扑连接。 文章的实验部分展示了使用PSDF融合技术重建的市民网络，其中热图显示了SDF内点的比例，直观地体现了SDF的置信度。实验结果表明，PSDF不仅能保留细节，还能有效地去除异常值，无需额外的后处理步骤。 PSDF融合为实时三维数据融合和场景重建提供了一种有效且灵活的新方法，通过概率模型处理不确定性，结合多种3D表示的优势，提高了重建质量和效率。这种方法对于推动消费级深度传感器应用和实时3D几何信息处理的发展具有重要意义。