Evaluating Mesh Reconstruction Methods for Crop Phenotyping

方法

对比7种3D重建流程，用Chamfer距离、LPIPS、PSNR、SSIM及用户

发现

GGGS、PGSR和2DGS输出更优，GGGS在五维雷达图上比2DGS高约27%。

机会点

可探索轻量化、田间实时三维重建，并建立作物表型专用网格质量评价标准。

对农作物进行表型分析对于研究其整个生命周期至关重要，因为它为提高产量并最终提升粮食生产提供了关键见解。对于生长在偏远地区的作物而言，由于专家无法亲临现场，开展同样的表型分析是一项挑战。三维重建技术通过实现作物数字化，使专家能够随时随地访问生成的作物三维模型，从而为这一问题提供了有前景的解决方案。在本研究中，我们评估了近期用于作物表型分析的三维重建流程。我们聚焦于7种网格重建流程，并对其输出的保真度和一致性进行了定性和定量评估。结果表明，GGGS、PGSR和2DGS生成的网格在定量指标和视觉输出方面优于其他流程。在包含5个维度（用户评分、倒角距离、LPIPS、PSNR和SSIM）的雷达图上，GGGS流程比排名第二的2DGS流程高出约27%。