Lewati ke konten
Kembali ke blog

Catatan teknik · sintesis sudut pandang baru

Mengevaluasi Rekonstruksi 3D Interior: Dr Johnson dan Playroom

MakeWorlds Studio direkonstruksi Dr Johnson dan Playroom dari foto menggunakan perkiraan kameranya sendiri. Dalam rekaman eksekusi Mac, kedua adegan menghasilkan PSNR dan SSIM lebih tinggi dan lebih rendah LPIPS dibandingkan nilai terkait yang dilaporkan dalam makalah penelitian 3DGS asli. Pasangan gambar menunjukkan apa yang dipertahankan dalam praktik rekonstruksi: profil kabinet, pola permadani yang berulang, dan isi rak buku yang berlapis.

Tim MakeWorlds Studio ·

Tampilan rekonstruksi yang dipilih dari eksekusi yang lebih baru. Gambar dan metrik di bawah ini milik pelaksanaan evaluasi asli.

1. Hasil seluruh set tes lengkap

Rata-rata di bawah mencakup seluruh 16 tampilan pengujian di Dr Johnson dan 14 tampilan pengujian di Playroom. Di kedua adegan, ketiga metrik tersebut menguntungkan dibandingkan dengan nilai 3DGS yang dilaporkan. Empat pasang gambar di artikel selanjutnya menunjukkan detail yang terlihat di balik hasil tersebut.

Tabel tersebut menggunakan protokol perbandingan makalah penelitian dari evaluasi kami yang dipublikasikan, tanpa mengganti skor yang dikoreksi warna. Nilai referensi adalah hasil 30.000 langkah dalam lampiran 3DGS asli. Estimasi kamera dan kumpulan tampilan pengujian berbeda, sehingga delta memberikan konteks yang bertentangan dengan literatur, bukan perbandingan terkontrol. [1] Kondisi perbandingan dan ruang lingkup

Dr Johnson · Mac · Rata-rata seluruh set pengujian · Protokol perbandingan dengan makalah penelitian
Δ = MakeWorlds Studio − makalah penelitian. Lebih tinggi PSNR / SSIM dan lebih rendah LPIPS lebih baik.
HasilPSNR ↑ / dBSSIM ↑LPIPS ↓
3DGS makalah penelitian (dilaporkan)28.7660.89900.2440
MakeWorlds Studio · Mac29.180Δ +0.4140.9124Δ +0.01340.2215Δ −0.0225
Playroom · Mac · Rata-rata seluruh set pengujian · Protokol perbandingan dengan makalah penelitian
Δ = MakeWorlds Studio − makalah penelitian. Lebih tinggi PSNR / SSIM dan lebih rendah LPIPS lebih baik.
HasilPSNR ↑ / dBSSIM ↑LPIPS ↓
3DGS makalah penelitian (dilaporkan)30.0440.90600.2410
MakeWorlds Studio · Mac30.385Δ +0.3410.9148Δ +0.00880.2264Δ −0.0146

Arahnya konsisten di kedua adegan: PSNR lebih tinggi dan SSIM, LPIPS lebih rendah. Langkah-langkah ini menjelaskan kesalahan piksel, struktur gambar lokal, dan jarak persepsi. Perbandingan di bawah menghubungkan penilaian tingkat pemandangan dengan fitur tertentu, termasuk tepi kabinet, jahitan papan lantai, dan pola berulang.

2. Dari foto hingga tampilan yang dievaluasi

Diuji

Dr Johnson dan Playroom adalah adegan Deep Blending publik yang juga digunakan dalam evaluasi 3DGS asli. Semua gambar dan skor MakeWorlds Studio di sini berasal dari eksekusi Mac pada batch 1 Oktober 2026 yang diterbitkan. [2]

Kumpulan data dan tampilanDr JohnsonPlayroom
Masukkan foto263225
Tampilan tes1614
Tampilan ditampilkan di sini22
Ukuran gambar (piksel)1332 × 8751264 × 832

Kami menjalankan preset Medium pada resolusi sumber untuk 30.000 langkah pengoptimalan di Apple M4 Max. MakeWorlds Studio memperkirakan kamera dari gambar masukan, melatih adegan, dan merender tampilan pengujian. Pandangan tersebut ditetapkan sebelum pelatihan; gambar mereka dikeluarkan dari pengoptimalan pemandangan dan digunakan sebagai referensi untuk evaluasi.

Empat tampilan ilustrasi mencakup lemari, area bermain, pola permadani, dan rak buku yang penuh sesak. Kami memilihnya berdasarkan fitur tersebut, bukan karena skor penayangan tertinggi. Setiap pasangan referensi/render menggunakan orientasi tampilan dan pemotongan yang cocok, sehingga memungkinkan untuk memeriksa fitur individual terhadap hasil tingkat pemandangan.

3. Dr Johnson: dari garis kabinet hingga rangka internalnya

Rekonstruksi mempertahankan detail pada beberapa skala dalam tampilan yang sama. Kabinet berwarna gelap mempertahankan profil keseluruhannya serta lengkungan runcing dan bagian horizontal pintunya. Perapian, penyangga samping, dan cetakan dinding memberikan kontur lebih lanjut untuk diikuti. Bersama-sama, fitur-fitur ini menunjukkan bagaimana perabotan yang direkonstruksi berhubungan dengan ruangan di sekitarnya.

Dr Johnson 的木柜、白色壁炉与绿色墙面的 MakeWorlds Studio 渲染
Foto asli: Lemari kayu, perapian putih, dan dinding hijau di Dr Johnson
Foto asliMakeWorlds Studio menyajikan

Gambar 1. Dr Johnson, Mac, tampilan-000040. Lengkungan kabinet dan bagian internal tetap berbeda di samping profil luar dan cetakan perapian. Referensi foto di sebelah kiri; MakeWorlds Studio ditampilkan di sebelah kanan.

Bukti yang berguna di sini adalah kombinasi tata letak ruangan yang dapat dikenali dan struktur kecil di dalamnya. Menyeret pembatas melintasi kabinet akan membuat korespondensi tersebut terlihat. Area jendela terang dan beberapa tepi halus masih terlihat berbeda dari referensi.

4. Playroom: wilayah warna, objek terpisah, dan tekstur lantai

Playroom menawarkan beberapa skala detail dalam satu gambar. Rekonstruksi tersebut mereproduksi garis-garis lebar permadani dan tulisan pada alas busa, sementara mainan yang berserakan mempertahankan bentuk dan posisi yang dapat diidentifikasi. Jauh dari area bermain yang penuh warna, jahitan dan simpul papan lantai memberikan serangkaian korespondensi lainnya. Gambar menyimpan informasi di seluruh wilayah warna yang luas, batas objek, dan tekstur permukaan.

Playroom 中的彩色地毯、玩具与木地板的 MakeWorlds Studio 渲染
Foto asli: Karpet bergaris, mainan, dan lantai kayu di Playroom
Foto asliMakeWorlds Studio menyajikan

Gambar 2. Playroom, Mac, tampilan-000184. Garis-garis permadani, tulisan alas busa, garis mainan, dan jahitan papan lantai memberikan pemeriksaan pada skala yang semakin halus.

5. Pemeriksaan lebih dekat: pola berulang dan isi rak buku

Pada karpet Dr Johnson, motif pinggiran tetap tersusun secara berurutan, dan bentuk serta posisi pola tengah yang lebih besar dapat disesuaikan dengan foto. Playroom mempertahankan lebar dan warna punggung buku di sekitarnya, sudut penjilid, dan lapisan objek yang ditumpuk. Di rak paling atas, judul buku hijau masih terbaca. Kedua pasangan di bawah ini menggunakan pemotongan dan pembesaran yang sama untuk referensi dan rendering, sehingga fitur-fitur ini dapat dibandingkan secara langsung.

Dr Johnson 的地毯、椅子与木地板的 MakeWorlds Studio 渲染
Foto asli: Permadani, kursi, dan lantai kayu di Dr Johnson
Foto asliMakeWorlds Studio menyajikan

Gambar 3a. Dr Johnson, lihat-000248. Motif pinggiran dan sentral permadani tetap dapat diidentifikasi secara individual. Beberapa elemen pola yang lebih halus dan tepi sandaran kursi lebih lembut.

Playroom 中的书架、文件夹与柜门的 MakeWorlds Studio 渲染
Foto asli: Rak buku, binder, dan pintu lemari di Playroom
Foto asliMakeWorlds Studio menyajikan

Gambar 3b. Playroom, lihat-000089. Punggung dan penjilid buku mempertahankan garis, warna, dan susunannya yang terpisah. Huruf judul yang lebih besar tetap dapat dibaca; teks yang lebih kecil menunjukkan tingkat pelunakan yang berbeda-beda.

6. Menghubungkan detail yang terlihat ke metrik

Contohnya beralih dari tata letak ruangan dan wilayah warna yang luas hingga batas objek, motif berulang, dan guratan huruf individual. Evaluasi kuantitatif merangkum perbedaan gambar dalam hal kesalahan piksel, struktur lokal, dan fitur persepsi. Menggunakan keduanya memberikan hasil numerik kepada pembaca untuk dibandingkan dan fitur gambar konkret untuk diperiksa.

PSNR ↑
PSNR menyatakan kesalahan kuadrat rata-rata piksel pada skala logaritmik. Nilai yang lebih tinggi menunjukkan kesalahan yang lebih rendah pada kondisi perbandingan yang dipilih. Penyelarasan gambar, kecerahan, dan perbedaan warna semuanya mempengaruhinya.
SSIM ↑
SSIM membandingkan pencahayaan lokal, kontras, dan struktur. Nilai yang lebih tinggi menunjukkan kecocokan yang lebih dekat pada properti gambar tersebut, menambahkan tampilan struktural kesamaan di samping kesalahan piksel. [3]
LPIPS ↓
LPIPS mengukur jarak antara fitur gambar dalam; nilai yang lebih rendah menunjukkan kecocokan yang lebih dekat dengan referensi. Jaringan fitur dan prapemrosesan memengaruhi nilai, sehingga perbandingan antar implementasi memerlukan protokol yang konsisten. [4]

Model 3D Gaussian Splatting publik memberikan cara yang berguna untuk memikirkan gambar-gambar ini. Sebuah pemandangan diwakili oleh primitif Gaussian, yang diproyeksikan ke dalam gambar dan dipadukan dalam urutan kedalaman. Menghilangkan istilah latar belakang menghasilkan: [1]

C(u, d) = ∑i Ti(u) · αi(u) · ci(d)Ti(u) = ∏j<i [1 − αj(u)]

Di sini, u adalah posisi piksel dan d adalah arah tampilan. Alpha menggabungkan proyeksi jejak Gaussian dengan opacity; T adalah transmitansi yang tersisa setelah Gaussian sebelumnya. Beberapa kontribusi membentuk setiap piksel, menjadikan cakupan, oklusi, dan variasi warna lokal relevan dengan gambar akhir. Rangka kabinet, pinggiran mainan, dan pola permadani menyediakan tempat konkret untuk memeriksa efek-efek tersebut.

7. Kesimpulan dan ruang lingkup

Pada dua casing dalam ruangan ini, MakeWorlds Studio mempertahankan tata letak ruangan, struktur furnitur, dan detail permukaan yang halus, serta hasil yang baik di seluruh rangkaian pengujian. Buktinya terlihat pada beberapa skala: penataan ruangan secara keseluruhan, kerangka internal kabinet, dan pola atau tulisan dalam adegan tersebut. Eksekusi ini mendemonstrasikan rekonstruksi dalam ruangan secara mendetail dari alur kerja yang dimulai dengan foto dan memperkirakan kameranya sendiri.

Kedua kasus dalam ruangan ini dipilih dari evaluasi yang dipublikasikan karena ketiga metrik tersebut lebih baik dibandingkan dengan referensi makalah penelitian. MakeWorlds Studio menggunakan perkiraan kameranya sendiri, dan rangkaian tampilan pengujian serta alur lengkap tidak cocok dengan eksperimen makalah penelitian. Perbedaan tersebut menawarkan konteks terhadap nilai-nilai literatur yang dilaporkan; mereka tidak menetapkan peringkat yang terkendali atau mengisolasi kontribusi masing-masing komponen.

Kesimpulannya berkaitan dengan kesetiaan gambar pada sudut pandang yang diuji dalam adegan dan pengaturan ini. Aplikasi pengukuran juga memerlukan kebenaran dasar geometrik yang independen, uji kesalahan dimensi, dan pemeriksaan permukaan. Penelusuran memerlukan pemeriksaan selama gerakan kamera untuk melihat kedipan, transisi oklusi, dan area yang baru terpapar. Tes tersebut berada di luar artikel ini.

Kami melaporkan satu kumpulan evaluasi yang tercatat tanpa varians eksekusi-ke-eksekusi atau interval kepercayaan. Delta adalah observasi, tanpa klaim signifikansi statistik.

Kondisi dan sumber pengujian
Masukan
263 foto masukan untuk Dr Johnson; 225 untuk Playroom.
Pengaturan
Prasetel sedang, resolusi sumber, 30.000 langkah. Gambar dan skor berasal dari eksekusi Mac dalam kelompok evaluasi yang sama.
Gambar
Dr Johnson: lihat-000040 dan lihat-000248. Playroom: lihat-000184 dan lihat-000089. Tampilan dipilih untuk memeriksa tata letak, tepi, dan tekstur, bukan untuk menampilkan skor tertinggi. Setiap render dipasangkan dengan foto referensinya; orientasi tampilan dan pemotongan dicocokkan.

Kumpulan Data: Pencampuran Mendalam. Deep Blending

Referensi

Model rendering dan definisi metrik mengikuti sumber di bawah. Hasil eksperimen diambil dari evaluasi adegan yang dipublikasikan MakeWorlds Studio.

  1. Kerbl et al. (2023). 3D Gaussian Splatting for Real-Time Radiance Field Rendering.
  2. Hedman et al. (2018). Deep Blending for Free-Viewpoint Image-Based Rendering.
  3. Wang et al. (2004). Image Quality Assessment: From Error Visibility to Structural Similarity.
  4. Zhang et al. (2018). The Unreasonable Effectiveness of Deep Features as a Perceptual Metric.

Jelajahi hasil benchmark tiga platform · Rencanakan pengambilan foto