FlyNeRF: NeRF-Based Aerial Mapping for High-Quality 3D Scene Reconstruction

当前的三维重建和环境地图制作方法经常面临着高精度难以实现的挑战，这突显了实用和有效解决方案的必要性。为了解决这个问题，我们的研究介绍了FlyNeRF，这是一个将神经辐射场（NeRF）与基于无人机数据采集的系统集成在一起，用于高质量的三维重建。利用无人机捕捉图像和相应的空间坐标，获得的数据随后用于环境的初始NeRF三维重建。我们在系统范围内开发了图像评估神经网络，进一步评估重建渲染质量。根据图像评估模块的结果，自主算法确定了额外图像捕捉的位置，从而提高了重建质量。用于渲染质量评估的神经网络表现出97%的准确性。此外，我们的自适应方法提高了整体重建质量，使得10%分位数的峰值信噪比（PSNR）平均提高了2.5 dB。FlyNeRF展示了有希望的结果，在环境监测、监视和数字孪生等领域提供了进展，其中高保真度的三维重建至关重要。

本论文旨在解决现有的3D重建和环境建模方法在实现高精度方面面临的挑战，提出了一种结合神经辐射场（NeRF）和基于无人机数据采集的FlyNeRF系统，以实现高质量的3D重建。

FlyNeRF系统利用无人机捕捉图像和相应的空间坐标，用于环境的初始NeRF-based 3D重建。通过图像评估神经网络进一步评估重建渲染质量，并根据评估模块的结果，自主算法确定额外图像捕获的位置，从而提高重建质量。

该论文介绍了用于渲染质量评估的神经网络，其准确度为97%。FlyNeRF系统的自适应方法提高了整体重建质量，使10%分位数的峰值信噪比（PSNR）平均提高了2.5 dB。

在这个领域中，最近的相关研究包括：Learning to Reconstruct 3D Manhattan Wireframes from a Single Image，DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation，以及NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis。