Cremers, Daniel (Prof. Dr.); Möller, Michael (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 760d; DAT 770d
Kurzfassung:
This thesis investigates the use of convex variational methods for depth reconstruction from optical imagery and fusion of multiple depth maps into combined depth maps. We propose a fast algorithm for high-accuracy large-scale dense stereo reconstruction and present a structure-adaptive second-order TGV regularization. For the application in autonomous driving, we present an algorithm for dense large-scale visual SLAM that runs in real-time and integrates data terms from multiple images.
Übersetzte Kurzfassung:
Diese Arbeit untersucht die Verwendung konvexer Variationsmethoden für die Tiefenrekonstruktion aus optischen Bildern und die Fusion mehrerer Tiefenkarten in kombinierte Tiefenkarten. Wir stellen einen Algorithmus für hochgenaue, dichte Stereo-Rekonstruktion vor, zusätzlich zu einer strukturadaptiven TGV-Regularisierung zweiter Ordnung. Für die Anwendung im autonomen Fahren stellen wir einen Algorithmus für dichtes visuelles SLAM vor, der in Echtzeit abläuft und Daten aus mehreren Bildern zusammenfasst.
«
Diese Arbeit untersucht die Verwendung konvexer Variationsmethoden für die Tiefenrekonstruktion aus optischen Bildern und die Fusion mehrerer Tiefenkarten in kombinierte Tiefenkarten. Wir stellen einen Algorithmus für hochgenaue, dichte Stereo-Rekonstruktion vor, zusätzlich zu einer strukturadaptiven TGV-Regularisierung zweiter Ordnung. Für die Anwendung im autonomen Fahren stellen wir einen Algorithmus für dichtes visuelles SLAM vor, der in Echtzeit abläuft und Daten aus mehreren Bildern zusamm...
»