Så byggdes arbetsflödet från panoramor och LiDAR till Gaussian splat
Bilderna ger träningsreferenser, registrerade kameror ger positioner och LiDAR ger startgeometri. Från källmaterial till daterad videoexport.
Guideserie · del 2 av 3 · version 1, 7 oktober 2026.
1. Den gemensamma vyn · 2. Arbetsflödet · 3. Resultat och lärdomar
VERIFIED – arbetsflödet i det här projektet: panoramorna ger bildreferenser, deras registrerade positioner ger kameraställningar och LiDAR-punkterna ger startgeometri för grundträningen. Den senaste finjusteringen utgår från en tidigare tränad modell.
Arbetsflödet i översikt
| Steg | Underlag | Resultat |
|---|---|---|
| Förberedelse | Originalbilder, kamerapositioner, punktmoln | Gemensamt koordinatsystem |
| Bildprojektion | Panoramabilder | Perspektivbilder med kameramatriser |
| Träning | Bilder och startgeometri eller tidigare modell | Gaussian splat |
| Bearbetning | Modell och rumsgräns | Beskuren visningsmodell |
| Visning och export | Splat, punktmoln, panoramor | Gemensam vy och daterad film |
1. Bevara originalen och deras positioner
Panoramabilder och registrerade kamerapositioner lästes ur levererade ZIP-filer. Originalbilderna bevarades. Punktmolnet och kamerorna fördes till samma lokala koordinatsystem så att bilder och geometri kunde användas tillsammans.
Det här steget behöver vara korrekt före kvalitetsjämförelsen. Kamerornas riktning och position avgör vilken del av geometrin en träningsbild beskriver.
2. Skapa perspektivbilder för träningen
Panoramorna projicerades till perspektivbilder med kända kameramatriser. Flera bildriktningar skapades från varje panoramaposition. De representerar olika riktningar från samma plats; nya utsnitt ger ingen ytterligare parallax.
Ett urval av LiDAR-punkterna användes för grundmodellens initialisering. Den fortsatta träningen anpassade splaten mot bildmaterialet. Datasetförberedelsen skapar ännu inga LiDAR-djupkartor för löpande geometriskt stöd under optimeringen.
3. Prova avgränsade förändringar
VERIFIED genom sparade körkvitton: försöken omfattade försiktig finjustering, högre bildupplösning, fler nedåtriktade vyer, större modellkapacitet och starkare begränsning av splatarnas skala och opacitet. Därefter kördes en kombination av högre upplösning, större kapacitet och längre träning.
Modellerna jämfördes från samma referenskameror. Träningsresultat och webbvisning granskades separat, eftersom filformat, komprimering och renderingsinställningar också påverkar den synliga bilden.
Den kombinerade modellen valdes för den finjusterade fabriksdelen. Övriga områdesfilmer använder befintliga beskurna modeller. Omfattningen av finjusteringen är därmed tydlig i resultatredovisningen.
4. Beskär visningsområdet
Den valda modellen beskars med en dokumenterad rumsgräns. Gaussianer vars centrum låg utanför gränsen togs bort; de behållna posterna bevarades oförändrade. Originalmodellen sparades separat.
Beskärningen avgränsar omgivningen. Den åtgärdar inte automatiskt artefakter inne i modellen, och en Gaussian kan sträcka sig över gränsen trots att dess centrum ligger innanför. Takreglaget är en separat visningsfunktion.
5. Integrera i den gemensamma vyn
Splaten kopplades till samma vy som punktmolnet och panoramorna. PLY används för modellens ursprungliga parametrar, med komprimerat SOG som alternativ. Punktmolnets detaljnivå strömmas efter behov. Inställningarna samlas under Avancerat, medan de grundläggande lagervalen ligger direkt i vyn.
6. Exportera en daterad film
En bestämd kamerasekvens renderades bildruta för bildruta. Bildrutorna kodades till filmer med svenska och engelska undertexter. Exportens datum, version, modellval och källreferenser sparades tillsammans med filerna.
Filmformatet beskriver exporten. Det är ingen mätning av hur snabbt den interaktiva vyn kör på en viss dator.
Where this goes next
Want this applied to your organisation?
One call is enough to know if we're a fit.