-
Ubuntu 18.04
-
CUDA 11.0
-
GPU:Tesla V100-PCIE-32GB
- 语言:python
- 依赖库:PyTorch、OpenCV(版本详见requirements.txt)
- COLMAP(运行SfM算法)
- A New Image Contrast Enhancement Algorithm using Exposure Fusion Framework
- NeX: Real-time View Synthesis with Neural Basis Expansion
$python image_enhancement.py \
-image_dir ./data/original_images/ #输入图像文件路径
-out_dir ./data/images/ #输出图像文件路径
-resize 25 #缩放比例
经过增强处理、resize至1000×750的数据集已保存在./data/images/中
COLMAP 安装
$apt install colmap
COLMAP运行SfM算法
# 特征提取
$colmap feature_extractor \
--database_path data/database.db \
--image_path data/images \
--ImageReader.single_camera 1 \
--ImageReader.camera_model SIMPLE_PINHOLE \
--SiftExtraction.use_gpu=false
#特征匹配
$colmap exhaustive_matcher \
--database_path data/database.db \
--SiftMatching.use_gpu=false
#相机位姿求解与优化
$colmap mapper \
--database_path data/database.db \
--image_path data/images \
--Mapper.ba_refine_principal_point 1
--Mapper.num_threads 2 \
--Mapper.extract_colors 0 \
--export_path data/sparse
#图像畸变矫正
$colmap image_undistorter \
--image_path data/images \
--input_path data/sparse/0 \
--output_path data/dense \
--output_type COLMAP
经过SfM处理生成的相机参数、稀疏点云已保存在./data/目录下
!python train.py \
-scene data/ \ #文件路径(包含图片、重建后的相机参数、稀疏点云)
-model_dir module/ \ #模型的保存路径
-epoch 4000 \
-checkpoint 500 \ #每500epoch保存checkpoint
-vstep 50 \ #每50epoch输出训练进度
-ray 8000 \ #采样数
-hidden_layer 4 \ #第一个MLP的隐藏层数量
-hidden_node 384 \ #每层结点数
-mlp_type relu \ #激活函数:relu 或 siren
-basis_hidden_layer 1 \ #第二个MLP的隐藏层数
-basis_hidden_node 64 \ #第二个MLP的每层结点数
-layers 16 \ #MPI模块层数
-sublayers 12 \ #MPI模块内包含的层数,即总MPI层数=layers*sublayers
-num_worker 4 \ #读取数据的线程数
# -pretrained module_1k/ #预训练模型路径