La ricostruzione automatizzata di modelli 3D da dati acquisiti è da decenni uno dei temi centrali del visual computing. Questo campo è ora fiorente, come risultato di tendenze scientifiche, tecnologiche e di mercato complementari. In particolare, negli ultimi anni, l'ampia disponibilità e proliferazione di sensori visivi e di profondità ad alta fedeltà è stata accompagnata da opzioni sempre più convenienti per l'elaborazione di dati di grandi dimensioni. In questo contesto, uno dei sottocampi emergenti riguarda la ricostruzione automatica degli ambienti interni. In altre parole, una rappresentazione 3D di una scena interna deve essere dedotta da un insieme di misure che ne campionano la forma e/o l'aspetto.
Nel quadro di TDM, in collaborazione con altri progetti finanziati dall'UE (in particolare EVOCATION), ci siamo concentrati in particolare sull'inferenza di rappresentazioni strutturate di ambienti interni da immagini panoramiche. I nostri risultati includono un metodo basato sul geometry reasoning per modellare automaticamente ambienti interni con diversi vani a partire da multiple viste panoramiche [1] e un metodo basato su deep learning per la ricostruzione di un ambiente interno da una singola vista panoramica. Abbiamo inoltre presentato un'indagine approfondita nel settore a EUROGRAPHICS [3] e SIGGRAPH [4].
L'implementazione del metodo AtlantaNet [2] è resa disponibile in open source su github all'indirizzo https://github.com/crs4/AtlantaNet . La pagina github contiene l'implementazione pytorch del metodo e una serie di pretrained models per i più comuni benchmark. Il lavoro è il risultato di una collaborazione tra diversi autori, supportati dai progetti regionali VIGECLAB, AMAC, and TDM (POR FESR 2014-2020) e dal progetto europeo EVOCATION (grant H2020 813170).
I metodi sviluppati hanno moltissime applicazioni. Tra queste, la generazione rapida e a basso costo di mappe e volumetrie 3D di edifici per fini di pianificazione della sicurezza e gestione energetica.
Referenze bibliografiche
[1] Giovanni Pintore, Fabio Ganovelli, Alberto Jaspe Villanueva, and Enrico Gobbetti. Automatic modeling of cluttered multi-room floor plans from panoramic images. Computers Graphics Forum, 38(7): 347-358, 2019. DOI: 10.1111/cgf.13842
[2] Giovanni Pintore, Marco Agus, and Enrico Gobbetti. AtlantaNet: Inferring the 3D Indoor Layout from a Single 360 Image beyond the Manhattan World Assumption. In Proc. ECCV. Pages 432-448, August 2020. DOI: 10.1007/978-3-030-58598-3_26
[3] Giovanni Pintore, Claudio Mura, Fabio Ganovelli, Lizeth Fuentes-Perez, Renato Pajarola, and Enrico Gobbetti. State-of-the-art in Automatic 3D Reconstruction of Structured Indoor Environments. Computer Graphics Forum, 39(2): 667-699, 2020. DOI: 10.1111/cgf.14021
[4] Giovanni Pintore, Claudio Mura, Fabio Ganovelli, Lizeth Fuentes-Perez, Renato Pajarola, and Enrico Gobbetti. Automatic 3D Reconstruction of Structured Indoor Environments. In SIGGRAPH 2020 Courses. Pages 10:1-10:218, August 2020. DOI: 10.1145/3388769.3407469
