河北
来源：市场资讯
（来源：计算机视觉研究院）
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC13078593/pdf/SNZ2-56-e70044.pdf
Column of Computer Vision Institute
全球首次！多 NeRF 框架破解反光水面 + 小目标重建难题，赋能智慧水产
PART/1
痛点
贻贝养殖是全球水产养殖的重要板块，养殖场的浮标、绳索布局直接影响养殖安全。但传统监测模式存在致命短板：
依赖乘船现场巡查，成本高、效率低，数据零散不连续；
传统 SfM/COLMAP 重建技术，遇水面高反光、光照多变、船只晃动等问题，水面重建残缺、浮标细节丢失，无法满足精细化管理需求。
（贻贝养殖场 3D 重建挑战：光照多变、水面高反射、相机运动无规律）
PART/2
创新
团队首次将神经辐射场（NeRF） 应用于贻贝养殖场 3D 重建，提出三大核心创新，完美适配海洋复杂场景：
通过水线检测 + YOLOv7 浮标检测，将场景拆分为山体、水面、浮标三大区域，分别训练专属 NeRF 模型，互不干扰。
背景区域稀疏采样保效率，浮标区域密集采样抓细节，精准还原小体积浮标的形状与纹理。
针对水面反光重建失真问题，用 EM 算法迭代优化水面平面，让重建水面更平整、完整。
将场景拆分为漫反射 + 镜面反射分量，真实还原水面反光、浮标材质质感。
（基于 NeRF 的贻贝养殖场重建整体流程）
（区域化多 NeRF 网络结构）
（水面正则化 EM 算法流程）
PART/3
实验
团队在新西兰马尔堡峡湾贻贝养殖场实测，用 4 段视频数据验证方案效果，结果碾压传统方法：
水线检测：传统边缘检测法更稳定，适配养殖场实际场景；
浮标检测：微调 YOLOv7 模型精度 0.96、召回率 0.87，远优于 SAM 模型。
（水线检测方法对比结果）
（浮标检测方法对比结果）
相比 COLMAP 传统方法，新方案水面重建更完整无空洞，浮标无需预设模板，精准还原真实尺寸与边界。
（本文方法与传统方法重建效果对比）
（水面重建消融实验效果）
可生成任意角度的养殖场视角，背景 PSNR 达 21.881，浮标合成 SSIM 达 0.866，满足远程可视化监测需求。
（新视角合成定量评估结果）
（新视角合成效果展示）
PART/4
未来展望：赋能智慧水产养殖
本次方案已验证对中等相机运动、光照变化的鲁棒性，未来将聚焦：
优化极端光照、剧烈船只晃动场景的重建稳定性；
细化浮标实例重建精度，进一步提升监测实用性；
落地为贻贝养殖智能管理工具，降低人工成本，提升养殖效益。
有相关需求的你可以联系我们！
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
