Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Συνεχιζόμενη μάθηση για NeRF σε σκηνές που ελήφθησαν από μη επανδρωμένα αερόχηματα

Angelidis Nikolaos

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/8EC68380-4EF6-405A-ABB3-7CA6292551DC
Έτος 2025
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Νικόλαος Αγγελίδης, "Συνεχιζόμενη μάθηση για NeRF σε σκηνές που ελήφθησαν από μη επανδρωμένα αερόχηματα", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 https://doi.org/10.26233/heallink.tuc.103897
Εμφανίζεται στις Συλλογές

Περίληψη

Τα τελευταία χρόνια, η κλιματική αλλαγή έχει αυξήσει τη συχνότητα και τη σοβαρότητα φυσικών καταστροφών όπως οι σεισμοί, οι πλημμύρες και οι πυρκαγιές. Αμέσως μετά από τέτοια γεγονότα, οι γρήγορες και ακριβείς τρισδιάστατες ανακατασκευές των πληγεισών περιοχών μπορούν να υποστηρίξουν κρίσιμες αποφάσεις για την αντιμετώπιση εκτάκτων αναγκών και την αποκατάσταση. Τα Νευρωνικά Πεδία Ακτινοβολίας (Neural Radiance Fields – NeRFs) έχουν αναδειχθεί ως μια ισχυρή λύση για σύνθεση νέων όψεων και τρισδιάστατη ανακατασκευή από εικόνες. Ωστόσο, τα παραδοσιακά μέσα πληροφορίας των NeRFs υποθέτουν στατικές σκηνές και απαιτούν πλήρη επανεκπαίδευση κάθε φορά που υπάρχουν αλλαγές, καθιστώντας τα ακατάλληλα για δυναμικά, πραγματικά περιβάλλοντα. Σε αυτή τη διπλωματική εργασία, διερευνούμε μεθόδους συνεχούς μάθησης (continual learning) για την επέκταση των μοντέλων NeRF με την ικανότητα σταδιακής ενημέρωσης των ανακατασκευών σκηνής χωρίς καταστροφική λήθη. Αξιολογούμε δύο πλαίσια, τα Nerfstudio και CLNeRF, στα οποία αναπτύχθηκαν προσαρμοσμένα εργαλεία για την υποστήριξη σεναρίων συνεχούς μάθησης. Παρόλο που το Nerfstudio έδειξε δυναμική, τεχνικοί περιορισμοί μάς οδήγησαν να επικεντρωθούμε κυρίως στο CLNeRF, το οποίο επεκτείναμε και προσαρμόσαμε σε διάφορες πειραματικές συνθήκες. Αξιολογούμε την απόδοση σε ένα ευρύ σύνολο αλλαγών σκηνής, όπως προσθήκες/αφαιρέσεις αντικειμένων, μεταβολές φωτισμού, απόκρυψη περιοχών και με ποικίλους τύπους εισόδου δεδομένων. Τα αποτελέσματά μας δείχνουν ότι οι μέθοδοι συνεχούς μάθησης μπορούν να μειώσουν σημαντικά τον χρόνο εκπαίδευσης, να διατηρήσουν την ποιότητα της ανακατασκευής και να διαχειριστούν σύνθετες δυναμικές σκηνές. Αυτά τα ευρήματα αποτελούν τη βάση για την υλοποίηση συστημάτων με χρήση NeRFs σε περιβάλλοντα με περιορισμένο χρόνο, όπως η χαρτογράφηση σκηνών μετά από καταστροφές μέσω εναέριων λήψεων με μη επανδρωμένα αερόχηματα.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά