Key points are not available for this paper at this time.
Das Bildmaskieren ist in der 3D-Rekonstruktionsdomäne für Objekte des kulturellen Erbes unerlässlich. Es wird verwendet, um den Rekonstruktionsprozess zu beschleunigen, indem Hintergrundrauschen entfernt und das Objekt nur genau rekonstruiert wird. Der autonome iterative Multi-View Stereo 3D-Scanner des Fraunhofer-Instituts für Graphische Datenverarbeitung, innerhalb der Abteilung Digitale Erfassung des kulturellen Erbes, benötigt binäre Masken, um Objekte effizient zu scannen, unabhängig von der Umgebung, Geometrie oder Farbe des Objekts, Hintergrundfarbe und stabilisierender Halterung. Traditionelle Maskierungsmethoden können jedoch falsche Masken erzeugen, was zu einem ineffizienten oder sogar abgebrochenen Scan führt. Bis jetzt wurden diese Fälle durch Parameteroptimierungen der herkömmlichen Maskierungsmethode oder Änderungen in der Scanumgebung gelöst. Dies entspricht nicht den Prinzipien der Automatisierung, da nicht-technische Benutzer in Museen, Archiven usw. in der Lage sein sollten, den autonomen iterativen Scan-Workflow ohne zusätzlichen Aufwand zu nutzen. Neben den realen Scandaten, die zum Trainieren der vorgestellten Netzwerke verwendet werden, wird auch eine automatisierte Blender-Pipeline eingeführt, die zusätzliche synthetische Daten für das Training generiert. Daher bewerten wir, ob die neuesten hochmodernen KI-Segmentierungsmethoden für diese herausfordernden Fälle verwendet werden können, ohne ihre Leistung in einfacheren Szenarien zu beeinträchtigen. Dieses Papier zeigt, dass mit dem geeigneten Netzwerk und Datensätzen Masken schwieriger Objekte oder Szenarien generiert werden können, die im autonomen iterativen Scan-Workflow verwendet werden können. Somit sind Parameter- und Umgebungsoptimierungen nicht mehr notwendig.
Kutlu et al. (Tue,) haben diese Frage untersucht.