Συντάχθηκε 15-05-2026 12:25
Ενημερώθηκε:
15-05-2026 13:10
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 20/05/2026 11:00
Λήξη: 20/05/2026 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
του Παναγιώτη Σκλάβου
με θέμα
Προσαρμοστικά Νευρωνικά Πεδία Ακτινοβολίας για Σταδιακή Ανακατασκευή Σκηνών Μεγάλης Κλίμακας
Adaptive Neural Radiance Fields for Incremental Reconstruction of Large-Scale Scenes
Εξεταστική Επιτροπή
Καθηγητής Αντώνιος Δεληγιαννάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Επίκουρος Καθηγητής Νικόλαος Γιατράκος
Περίληψη
Οι εξελίξεις στις τεχνολογίες αεροφωτογράφησης, και ιδίως η ευρεία χρήση των drones, έχουν καταστήσει δυνατή τη συλλογή οπτικών δεδομένων σε μεγάλες και συχνά απρόσιτες περιοχές, υποστηρίζοντας την επίγνωση της κατάστασης κατά τη διάρκεια εκτάκτων περιστατικών, όπως δασικές πυρκαγιές, πλημμύρες και σεισμοί. Αυτές οι εικόνες παρέχουν πολύτιμες πληροφορίες για την πληγείσα περιοχή, αλλά στερούνται γεωμετρικού βάθους και δομής, δημιουργώντας την ανάγκη για ταχέως εξελισσόμενες τρισδιάστατες αναπαραστάσεις. Τα Νευρωνικά Πεδία Ακτινοβολίας (NeRFs) έχουν αναδειχθεί ως ένα αναπόσπαστο εργαλείο για τη φωτορεαλιστική ανακατασκευή 3D σκηνών από πολυπροοπτικές εικόνες. Ωστόσο, οι συμβατικές προσεγγίσεις NeRF παραμένουν στατικές και πλήττονται από καταστροφική λήθη καθώς φτάνουν νέες παρατηρήσεις, περιορίζοντας την αποτελεσματικότητά τους σε δυναμικά περιβάλλοντα. Για να αντιμετωπίσουμε αυτόν τον περιορισμό, παρουσιάζουμε ένα προσαρμοστικό πλαίσιο NeRF, το οποίο ενσωματώνει χωρική διαμέριση για κλιμάκωση σε περιοχές σε κλίμακα πόλης, Άμεσα Νευρωνικά Γραφικά Στοιχεία (Instant-NGP) για αποτελεσματική βελτιστοποίηση, μέτα-μάθηση για ισχυρές περιφερειακές αρχικοποιήσεις και μηχανισμούς συνεχούς μάθησης για σταδιακές ενημερώσεις, με παράλληλο μετριασμό της λήθης. Το σύστημα λειτουργεί σε δύο στάδια: ένα offline στάδιο το οποίο μετα-μαθαίνει μια αρχικοποίηση που καταγράφει τα γενικά περιφερειακά χαρακτηριστικά μιας ευρείας περιοχής ενδιαφέροντος, και ένα online στάδιο που επεξεργάζεται εικόνες από την επηρεαζόμενη περιοχή για να ενσωματώνει σταδιακά ενημερώσεις σχετικές με την κατάσταση έκτακτης ανάγκης. Πειραματική αξιολόγηση σε σύνολα δεδομένων που έχουν καταγραφεί από drones δείχνει ταχεία προσαρμογή σε νέες παρατηρήσεις με υψηλή ποιότητα ανακατασκευής και ανθεκτικότητα στην καταστροφική λήθη.
Abstract
Advances in aerial imaging technologies, such as drones, have enabled visual data collection over large and often inaccessible areas, supporting situational awareness during emergencies such as wildfires, floods, and earthquakes. These images provide valuable information about the affected region, yet they lack geometric depth and structure, introducing the need for rapidly evolving 3D representations. Neural Radiance Fields (NeRFs) have emerged as an indispensable tool for photorealistic 3D scene reconstruction from multi-view imagery. However, conventional NeRF pipelines remain static and struggle with catastrophic forgetting as new observations arrive, limiting their effectiveness in dynamic environments. To address this limitation, we present an adaptive NeRF framework that incorporates spatial modularization to scale to city-scale scenes, Instant Neural Graphics Primitives (Instant-NGP) for efficient optimization, meta-learning for strong regional initializations, and continual-learning mechanisms for incremental updates while mitigating forgetting. The system operates in two stages: an offline stage that meta-learns an initialization capturing the coarse regional characteristics of a wide area of interest, and an online stage that processes views from the affected area to incrementally incorporate emergency-related updates. Experimental evaluation on drone-captured datasets demonstrates rapid adaptation to new observations with high reconstruction quality and robustness to catastrophic forgetting.
Meeting ID: 922 5996 1268
Password: 221573
