Вопрос или проблема
Я пытаюсь начать кодировать 3D-реконструкцию изображений из 2D-изображений (то есть сопоставлять изображения с 3D-точечным облаком). Может кто-нибудь порекомендовать небольшой бесплатный набор данных для начала? Я знаю о BlendedMVS. Но его объем составляет 27 ГБ для изображений с его горизонтальным разрешением. Кто-нибудь знает о меньшем наборе данных, желательно аналогичном BlendedMVS?
Ответ или решение
Для начала работы с задачами 3D-реконструкции из 2D-изображений важно иметь в наличии подходящий набор данных. Хотя BlendedMVS является отличным выбором благодаря своей полноте, его объем в 27 ГБ может быть неподходящим для начального этапа. Существует несколько менее объемных альтернатив, которые подходят для ваших целей.
Описание альтернативных наборов данных
-
KITTI Vision Benchmark Suite
- Размер: около 8 ГБ.
- Содержание: Этот набор данных включает в себя изображения уличных сцен, захваченные с помощью автомобиля. Он содержит различные аннотации и метрики, что позволяет выполнять 3D-реконструкцию и оценивать алгоритмы на реальных данных.
- Ссылка: KITTI Dataset
-
ETH3D
- Размер: около 2 ГБ.
- Содержание: Набор данных состоит из наборов 2D изображений с соответствующими 3D моделями. Внутри него присутствуют как видео, так и статичные изображения, что позволяет использовать данные для обучения и валидации алгоритмов 3D-реконструкции.
- Ссылка: ETH3D
-
Tanks and Temples
- Размер: около 3 ГБ для небольших сценариев.
- Содержание: Набор данных состоит из наборов изображений с последующим 3D-реконструированием различных сцен (например, танки, храмы). Это хороший вариант для практики в создании 3D модельной структуры из 2D изображений.
- Ссылка: Tanks and Temples
-
MVS Dataset
- Размер: менее 10 ГБ.
- Содержание: Этот набор данных предоставляет двоичные изображения и полные данные о плотности точек. Он сосредоточен на многовидовой реконструкции, что может быть полезным для вашей задачи.
- Ссылка: MVS Dataset
Рекомендации по обработке данных
- Анализ: Для начала рекомендуется внимательно проанализировать спецификации набора данных, чтобы понять, какой подход к 3D-реконструкции будет наилучшим для доступных 2D изображений.
- Обработка: На начальном этапе стоит использовать простые инструменты для сегментации изображений и извлечения признаков, так как это позволит легче интегрировать данные в вашу модель.
- Оптимизация кода: Важно оптимизировать алгоритмы для работы с более сжатыми наборами данных, чтобы понять основные принципы работы 3D-реконструкции.
Таким образом, указанные наборы данных позволят вам быстро приступить к практике 3D-реконструкции, не перегружая при этом ваше оборудование. Выбирайте наиболее подходящий вариант, в зависимости от ваших задач и предпочтений в работе с данными.