Une équipe de chercheurs du département d'informatique de Stanford (Palo Alto, Californie) vient de mettre à disposition un site pour tester leurs avancées dans la reconstruction 3D d'images 2D.
En utilisant la théorie des Réseaux de Markov (Markov Network ou Markov Random Field) dans chaque sous-partie de l'image pour trouver sa localisation et son orientation par rapport à ses voisins, ce modèle atteint de bien meilleures performances que ce qui avait été fait précédemment, par la même équipe et par d'autres équipes concurrentes. Ce modèle est une nouveauté parce qu'il ne fait pas de présuppositions sur la structure 3D de l'image proposée.
Ainsi les résultats sont bien meilleurs pour toutes les images notamment celle qui sont moins classiques et celles qui n'ont pas de structures évidentes, sans séparations claires ou sans vecteurs verticaux. Qualitativement, 65% des images testées ont une structure 3D correcte (au lieu de 33% auparavant) et sont quantitativement plus proche de la vraie structure.
Pour montrer leurs résultats, un site web, make3D (http://make3d.stanford.edu) a été créé, et il permet à tout le monde d'uploader une image et de regarder le résultat 3D. Les résultats sont, assez convaincants, sont disponibles directement sur le site et des visualisations à base de VRML ou de Shockwave permettent de naviguer dans les images. Le code source est aussi présent sur le site.
Les résultats dans cette discipline, encore jeune, sont importants pour le secteur de la robotique et de la simulation.
- Learning 3-D Scene Structure from a Single Still Image, Ashutosh Saxena, Min Sun, Andrew Y. Ng, In ICCV workshop on 3D Representation for Recognition (3dRR-07), 2007. - 3-D Reconstruction from Sparse Views using Monocular Vision, Ashutosh Saxena, Min Sun, Andrew Y. Ng, In ICCV workshop on Virtual Representations and Modeling of Large-scale environments (VRML), 2007.
