000			05111namaa22004211i 4500
003			OSt
005			20251015103535.0
008			251006s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a621.39
092			_a621.39 _221
097			_aM.Sc
099			_aCai01.13.06.M.Sc.2025.Mo.N
100	0		_aMohamed Shawky Zaky AbdelAal Sabae, _epreparation.
245	1	0	_aNeural implicit camera and geometry representations for multiview 3D reconstruction without camera parameters / _cby Mohamed Shawky Zaky AbdelAal Sabae ; Supervision Prof. Hoda Anis Baraka
246	1	5	_aالتمثيلات الضمنية العصبية للكاميرا و الهندسة لإعادة البناء ثلاثي الأبعاد متعدد الرؤى بدون معلومات الكاميرا
264		0	_c2025.
300			_a63 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 59-63.
520		3	_a3D reconstruction from multi-view RGB images is a fundamental problem in Computer Vision and Computer Graphics. Recently, neural surface reconstruc- tion methods have demonstrated their ability to reconstruct high-quality 3D geometry for complex scenes, but they typically require highly accurate multi- view camera parameters, limiting their real-world applicability. In this work, we present Bundle Adjusting-NeuS (BA-NeuS), a novel end-to-end optimization ap- proach built on top of neural surface reconstruction that can recover high-quality 3D geometry without the need for accurate camera parameters. We implicitly represent the camera parameters as a Multi-layer Perceptron (MLP) to stabilize the optimization process. Moreover, we introduce two additional loss functions, the point cloud alignment loss and the monocular depth loss, to further constrain the learned camera parameters and geometry. Our experiments on both object- level and scene-level datasets show that the proposed approach can reconstruct accurate scene surfaces while estimating relatively accurate camera parameters. Furthermore, the proposed approach significantly outperforms other baselines that optimize camera parameters, achieving a mean Chamfer distance of 0.86 and a mean absolute trajectory error of 3.28cm on the DTU dataset benchmark.
520		3	_aإعادة بناء المشاهد ثلاثية الأبعاد من صور RGB متعددة الزوايا هى مشكلة أساسية في رؤية الحاسوب ورسومات الحاسوب. مؤخرًا، أظهرت طرق إعادة بناء الأسطح العصبية قدرتها على إعادة بناء هندسة ثلاثية الأبعاد عالية الجودة للمشاهد المعقدة، لكنها تتطلب عادةً معلومات كاميرا دقيقة للغاية، مما يحد من تطبيقاتها في العالم الحقيقي. في هذه الرسالة، نقدم BA-NeuS، وهو نهج تحسين شامل جديد يعتمد على إعادة بناء الأسطح العصبية، يمكنه استعادة هندسة ثلاثية الأبعاد عالية الجودة دون الحاجة إلى معلومات كاميرا دقيقة. نحن نمثل معلومات الكاميرا ضمنيًا كشبكة عصبية متعددة الطبقات (MLP) لتحقيق استقرار عملية التحسين. علاوة على ذلك، نقدم دالتين إضافيتين، وهما خسارة محاذاة سحابة النقاط وخسارة العمق الأحادي، لتقييد معلومات الكاميرا والهندسة المستفادة بشكل أكبر. تظهر تجاربنا على مجموعات البيانات على مستوى الكائن والمشهد أن النهج المقترح يمكنه إعادة بناء أسطح المشاهد بدقة بينما يقدر معلومات الكاميرا بدقة نسبية. علاوة على ذلك، يتفوق النهج المقترح بشكل كبير على الأساليب الأخرى التي تحسن معلومات الكاميرا، محققًا متوسط مسافة شامفر 0.86 ومتوسط خطأ المسار المطلق قدره 3.28 سم على معيار مجموعة بيانات DTU.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aComputer Engineering
650		0	_aهندسة الحاسبات
653		1	_aMulti-view 3D Reconstruction _aNeural Implicit Surfaces _aCamera Parameter Estimation _aGeometry Estimation _aVolume Rendering
700	0		_aHoda Anis Baraka _ethesis advisor.
900			_b01-01-2025 _cHoda Anis Baraka _dMagda Bahaa Eldin Fayek _dReda Abdel-Wahab El-Khoribi _UCairo University _FFaculty of Engineering _DDepartment of Computer Engineering
905			_aShimaa _eEman Ghareb
942			_2ddc _n0 _cTH _e21
999			_c174557