g(x,y) = \exp\left(-\left(\left(0.2x\right)^2 + \left(\frac{y^2}{x^2 + 0.1}\right)\right)\right)\sigma\left(-10x\right) - 5\exp\left(-\frac{y^2}{\left(0.1x\right)^2}\right)\sigma\left(10x\right)

A Level-Set Approach to 3D Reconstruction from Range Data

1998 Ross T. Whitaker

https://www.cs.utah.edu/~whitaker/sceneRecon/papers/sparse_report.pdf https://link.springer.com/article/10.1023/A:1008036829907 https://link.springer.com/content/pdf/10.1023/A:1008036829907.pdf?pdf=button

Level Set Methods in Computer Vision (Slides)

2006 Daniel Cremers Department of Computer Science University of Bonn

https://www.csd.uwo.ca/~yboykov/Presentations/ECCV06_tutorial_partII_dan.pdf

On part d'un solide qu'on rogne en soustrayant les valeurs obtenues avec les gaussiennes => jusqu'à obtenir le solide étudié.

Variational principles, surface evolution, PDEs, level set methods, and the stereo problem

1996/1998 Olivier Faugeras Renaud Keriven

https://hal.inria.fr/inria-00073673/document https://ieeexplore.ieee.org/document/661183

Multi-View Stereo: A Tutorial

2015 Yasutaka Furukawa Carlos Hernández

https://carlos-hernandez.org/papers/fnt_mvs_2015.pdf

amy-tabb/tabb-level-set-segmentation

https://github.com/amy-tabb/tabb-level-set-segmentation

Ramesh-X/Level-Set

https://github.com/Ramesh-X/Level-Set

3D Image Reconstruction and Level Set Methods

Introduction and derivation of the level set methods.

https://scholarsarchive.byu.edu/cgi/viewcontent.cgi?article=3811&context=etd

J. A. Sethian, Level set methods and fast marching methods - evolving interfaces in computational geometry, fluid mechanics, computer vision, and materials science (1999)

Les bons tuyaux de Lilian

Voici les références pour le groupe de BE de Laurant, des références pour lesquelles la reconstruction 3D sont les zeros d'un level set (entre parenthèses : la nature de la fonction dont les paramètres sont optimisés) :

IDR (fonction de distance signée) : Multiview Neural Surface Reconstruction by Disentangling Geometry and Appearance
Neus (fonction de distance signée) : NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction
Unisurf (fonction d'occupation, terme traduit de l'anglais occupancy) : UNISURF, Unifying Neural Implicit Surfaces and Radiance Fields for Multi-View Reconstruction
VolSDF (fonction de distance signée) : Volume rendering of neural implicit surfaces Les quatre méthodes font du rendu dit surfacique, les trois dernières (Neus, Unisurf and VolSDF) étant "hybrides", à savoir utilisant du rendu surfacique et volumique. N'hésitez pas à nous demander plus d'informations si besoin. Une autre référence avec un mélange de MVS et de PS qui considère le niveau d'incertitude des deux méthodes respectivement pour utiliser en chaque pixel le résultat le plus fiable (level set et equation eikonale dans leur fonction de cout) : https://openaccess.thecvf.com/content/CVPR2022/html/Kaya_Uncertainty-Aware_Deep_Multi-View_Photometric_Stereo_CVPR_2022_paper.html

Un autre article à lire :

https://hal.inria.fr/inria-00266287/file/GargalloPradosSturm-iccv2007.pdf

Note

Eviter papier de BOYKOV CREMERS

A demander

Quel estla différence avec la méthode vu en TP ?

On calcule le MVS comme d'hab -> Carte de profondeur par image
Pas de projection en nuage de points dense -> Utilisation de la carte de prof pour modifier le level set initiale ?

5 KiB Raw Blame History

BE PI3D : MVS par level set

Usefull resources

Level set method, Wikipedia

Level set, Wikipedia

TP3, Stéréoscopie multi-vues (MVS)

Coding Adventure: Terraforming, Sebastian Lague

3D Signed Distance function (NVIDIA Research)

A GPU Implementation of Level Set Multiview Stereo

Fast Level Set Multi-View Stereo on Graphics Hardware

Model-based multiview stereo via level sets with statistical shape prior

Équation bizarre de l'idée générale