ECCV 2024: بستن فاصله بین تصاویر ماهواره ای و نمای خیابان با استفاده از مدل های مولد
Summarize this content to 400 words in Persian Lang
با در دسترس بودن روزافزون تصاویر ماهواره ای (به عنوان مثال، Google Earth)، تقریباً تمام نقاط جهان را می توان نقشه برداری کرد، اگرچه تصاویر نمای خیابان محدود باقی می مانند. ایجاد نمای خیابان از داده‌های ماهواره‌ای برای برنامه‌هایی مانند تولید مدل مجازی، ارتقای محتوای رسانه‌ای، بازی‌های سه بعدی و شبیه‌سازی بسیار مهم است. این کار، که به عنوان سنتز دید متقاطع ماهواره به زمین شناخته می‌شود، توسط چارچوب آگاه از هندسه ما، که دقت هندسی و موقعیت جغرافیایی نسبی را با استفاده از اطلاعات ماهواره حفظ می‌کند، حل می‌شود.
کاغذ ECCV 2024
Generation Geospecific View — Geometry-Context Aware استنتاج نمای زمینی با وضوح بالا از نماهای ماهواره ای
درباره بلندگو
Ningli Xu یک دکترا است. دانشجوی دانشگاه ایالتی اوهایو، متخصص در هوش مصنوعی و بینایی کامپیوتری مولد، با تمرکز بر پرداختن به چالش‌های تولید تصویر و ویدئو در حوزه جغرافیایی.
با در دسترس بودن روزافزون تصاویر ماهواره ای (به عنوان مثال، Google Earth)، تقریباً تمام نقاط جهان را می توان نقشه برداری کرد، اگرچه تصاویر نمای خیابان محدود باقی می مانند. ایجاد نمای خیابان از داده‌های ماهواره‌ای برای برنامه‌هایی مانند تولید مدل مجازی، ارتقای محتوای رسانه‌ای، بازی‌های سه بعدی و شبیه‌سازی بسیار مهم است. این کار، که به عنوان سنتز دید متقاطع ماهواره به زمین شناخته می‌شود، توسط چارچوب آگاه از هندسه ما، که دقت هندسی و موقعیت جغرافیایی نسبی را با استفاده از اطلاعات ماهواره حفظ می‌کند، حل می‌شود.
کاغذ ECCV 2024
Generation Geospecific View — Geometry-Context Aware استنتاج نمای زمینی با وضوح بالا از نماهای ماهواره ای
درباره بلندگو
Ningli Xu یک دکترا است. دانشجوی دانشگاه ایالتی اوهایو، متخصص در هوش مصنوعی و بینایی کامپیوتری مولد، با تمرکز بر پرداختن به چالش‌های تولید تصویر و ویدئو در حوزه جغرافیایی.
