Rekonstrukce textury z více pohledů

Abstract

Tato práce se zabývá rekonstrukcí detailní, barevně konzistentní a bezešvé textury velkých rovinných objektů z vícero fotografií pořízených za různých podmínek. Hlavním přínosem je sestavení systému, který kombinuje geometrické zarovnání založené na homografii s optickým zarovnáním pomocí modelu SEA-RAFT a následně vylepšuje kvalitu referenčního snímku povrchu s využitím hluboké neuronové sítě typu U-Net. Modely trénované na syntetických i reálných datech dokážou potlačit barevné i jiné vizuální nesrovnalosti, odstranit švy a výrazně zvýšit ostrost textury. Výsledky byly vyhodnoceny pomocí metrik PSNR a SSIM. Experimenty prokázaly funkčnost navrženého řešení a jeho potenciál pro digitalizaci map, dokumentů či jiných plakátů, u nichž nelze pořídit kvalitní snímek v jednom záběru.

This thesis deals with the reconstruction of detailed, color-consistent, and seamless textures of large planar objects from multiple photographs taken under varying conditions. The main contribution is the development of a system that combines geometric alignment based on homography and optical alignment using the SEA-RAFT model, followed by enhancement of the reference surface image using a deep neural network of the U-Net type. The models trained on both synthetic and real data effectively suppress color and other visual inaccuracies, remove seams, and significantly improve the sharpness of the output texture. The results were evaluated by PSNR and SSIM metrics. The experiments confirmed the effectiveness of the proposed solution and its potential for digitizing maps, documents, or other posters where a high quality image cannot be captured in a single shot.