Vergleich von 3D Rekonstruktionen mittels Neural Radiance Fields und Dense Image Matching

Abstract

Mit den Fortschritten in der Photogrammetrie und Computer Vision haben sich Neural Radiance Fields (NeRFs) als innovative Methode zur 3D-Rekonstruktion etabliert. Diese Arbeit untersucht die Leistungsfähigkeit von NeRFs im Vergleich zu traditionellen Dense Image Matching (DIM)-Verfahren anhand von Daten, die mit einer DJI M350 Drohne und einer Zenmuse P1 Kamera aufgenommen wurden. Als Referenz dient eine terrestrische Laserscanner-Punktwolke. Zwei verschiedene Aufnahmeobjekte – eine Baumgruppe und eine Kapelle – wurden unter variierenden Flugrouten (linear und orbital) analysiert, um den Einfluss der Aufnahmegeometrie auf die Rekonstruktionsqualität zu bewerten.Die Analyse umfasst quantitative und qualitative Vergleiche der Punktwolken sowie eine Diskussion über die Praxistauglichkeit von NeRFs im UAV-Mapping. Abschließend werden die Herausforderungen und das Potenzial dieser neuen Technologie für zukünftige Anwendungen in der Geodäsie und Geoinformation skizziert.

With advances in photogrammetry and computer vision, Neural Radiance Fields (NeRFs) have emerged as an innovative method for 3D reconstruction. This paper investigates the performance of NeRFs compared to traditional Dense Image Matching (DIM) methods using data captured with a DJI M350 drone and a Zenmuse P1 camera. A terrestrial laser scanner point cloud serves as a reference. Two different objects - a group of trees and a chapel - were analyzed under varying flight paths (linear and orbital) to evaluate the influence of the recording geometry on the reconstruction quality.The analysis includes quantitative and qualitative comparisons of the point clouds as well as a discussion on the practicality of NeRFs in UAV mapping. Finally, the challenges and potential of this new technology for future applications in geodesy and geoinformation are outlined.