ارزيابي بازسازي سه بعدي اجسام به روش ميدان هاي بازتابش عصبي (NeRF)

Evaluation of the three-dimensional reconstruction of objects by the neural reflection fields (NeRF) method

از آنجا كه بازه ي بسيار وسيعي از كاربرد هاي مدلسازي سه بعدي نياز به توليد دقيق، با كيفيت و مطابق با واقعيت اجسام دارد تا كنون روش هاي متنوع و متفاوتي ارائه و توسعه داده شده است. يكي از روش-هاي نوين در اين زمينه، توليد مدل سه بعدي با استفاده از تكنيك مبتني بر رندرينگ عصبي بوده كه به لطف پيشرفتهاي اخير در شبكه هاي عصبي توانسته به نتايج شگرفي در نمايش و توليد مدل سه بعدي دست يابد. NeRF (ميدان تابشي عصبي يا نِرف) و متدهاي توسعه يافته ي آن در بسياري از علومي كه به بينايي ماشين مرتبط مي شود به سرعت در حال رشد و جايگزين شدن روش هاي سنتي پيشين است. از اينرو لازم است متخصصان علم نقشه برداري وعلي-الخصوص فتوگرامتري با سرعت بيشتري نسبت به استفاده از اين تكنيك در حوزه ي كاري خود اقدام به بهره برداري از آن كنند. اين مقاله قصد دارد با معرفي و مقايسه اين رويكرد با روش مرسوم MVS و بيان مزايا و كاستي هاي آن در مدلسازي سه بعدي قدمي در اين زمينه بردارد. از مهمترين چالش هايي كه براي استفاده از اين روش در كاربرد هاي موقعيت يابي مطرح است، تبديل تصاوير توليد شده به مش با كمترين افت كيفيت است.

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.