由于年代久远和自然因素等影响,许多古代壁画表面存在着不同程度的损坏,精准地检测这些破损区域对于保护文化遗产具有重要研究价值。然而,现有的方法在古代壁画的破损检测中存在检测不全,对微小细节的破损区域检测不准确等问题。针对以上问题,提出基于嵌套U型结构网络的壁画破损区域检测方法U2-DUANet,该方法采用了一种新的深度监督聚合模块,能够更有效地融合侧边输出的细节信息。提出了一种像素级上下文及通道注意力(pixel-wise contextual and channel attention,PCCA)机制,来选择性地关注每个像素上的信息上下文特征以及通道信息,更精确地捕捉图像的重要特征,提高模型的准确性。自主创建了一个古代破损壁画图像的数据集,并对其破损区域进行了人工标注。在壁画数据集上的实验结果表明,U2-DUANet相比于U-Net,在精确率和F-measure上分别提升了10.5个百分点和8.2个百分点,并且具有更好的鲁棒性和泛化能力。
针对现有SLAM算法在渲染真实感、内存占用和复杂场景适应性方面的不足,提出了一种基于3D Gaussians Splatting的密集SLAM算法——TIGO-SLAM(tensor illumination and Gaussian optimization for indoor SLAM)。该算法集成了基于神经网络的张量光照模型、改进的高斯遮罩算法以及网格化神经场的几何和颜色属性表示,具体创新包括:a)基于神经网络的张量光照模型,增强镜面反射与漫反射效果,从而提升了渲染真实感;b)通过冗余高斯剔除机制改进高斯遮罩算法,有效降低了内存消耗并提高了实时性;c)结合网格化神经场的几何与颜色属性表示,采用优化的码本存储方式,显著提高了渲染性能和场景重建精度。实验结果表明,TIGO-SLAM在室内场景渲染、内存优化和复杂场景适应性方面均有显著提升,特别是在动态室内环境中的渲染和重建效果表现突出,为SLAM技术在资源受限设备上的应用提供了新的可能。
