OpenFlyScan: A Quality-Guided Aerial Reconstruction System for Consumer Drones

📄 arXiv: 2609.24253v1 📥 PDF

作者: Zhongrui You, Zhen Li, Junli Liu, Zhigang Wang, Bin Zhao

分类: cs.RO, cs.CV

发布日期: 2026-09-21

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出OpenFlyScan以解决消费级无人机的城市资产重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 无人机重建 3D高斯点云 质量引导 城市资产 再获取规划 移动应用 低成本技术

📋 核心要点

  1. 现有的城市资产重建方法受限于设备成本和质量反馈延迟，导致重建质量不稳定。
  2. OpenFlyScan通过质量模型和再获取规划器，优化了无人机的重建过程，提升了重建质量。
  3. 在实际实验中，OpenFlyScan通过针对性再获取显著提高了重建效果，PSNR提升达10.95 dB。

📝 摘要（中文）

3D高斯点云（3DGS）为大规模的实体仿真提供了高保真场景，但在构建大规模城市资产时，受限于昂贵的设备和延迟的质量反馈。现有的预设调查可能导致复杂表面观察不足，缺陷往往在重建后才被发现，需进行重复处理。本文提出的OpenFlyScan是一个质量引导的空中重建系统，集成了GS质量模型、再获取规划器和定制的移动应用。该模型通过学习GS渲染误差来预测区域重建质量，规划器基于这些预测生成补充的再获取条带。通过真实空中场景的实验，模型有效识别出可能重建不佳的区域。在Expo West现场实验中，针对性再获取使得额外视角的PSNR提高了10.95 dB。OpenFlyScan通过消费级无人机整合了捕获、针对性再获取和重建，支持快速、低成本的城市资产创建。

🔬 方法详解

问题定义：本文旨在解决消费级无人机在城市资产重建中面临的高成本和质量反馈延迟问题。现有方法往往在重建后才发现缺陷，导致重复工作和资源浪费。

核心思路：OpenFlyScan的核心思路是通过建立GS质量模型，预测重建区域的质量，并基于这些预测生成再获取计划，从而提高重建的准确性和效率。

技术框架：OpenFlyScan的整体架构包括三个主要模块：GS质量模型、再获取规划器和移动应用。GS质量模型负责学习和预测重建质量，再获取规划器根据预测结果生成再获取条带，移动应用则执行这些条带并支持数据传输。

关键创新：OpenFlyScan的创新点在于其质量引导的再获取策略，能够在无人机重建过程中实时调整采集策略，与传统方法相比，显著提高了重建质量和效率。

关键设计：在模型设计上，采用了针对GS渲染误差的学习机制，损失函数设计考虑了区域重建质量的多样性，网络结构则优化了对复杂表面的处理能力。整体系统无需额外硬件支持，降低了使用门槛。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在Expo West现场实验中，OpenFlyScan通过针对性再获取策略，使得额外视角的PSNR提高了10.95 dB，显著提升了重建质量。这一结果表明，质量引导的再获取策略在实际应用中具有显著的效果，能够有效解决传统方法的不足。

🎯 应用场景

OpenFlyScan在城市规划、建筑监测和环境保护等领域具有广泛的应用潜力。其低成本、高效率的重建能力使得城市资产的快速创建和更新成为可能，推动了智能城市的发展。未来，该系统还可以与其他传感器和数据分析工具结合，进一步提升城市管理的智能化水平。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) provides high-fidelity scenes for large-scale embodied simulation, but constructing large-scale urban assets remains constrained by expensive equipment and delayed quality feedback. Preset surveys can leave complex surfaces insufficiently observed, with defects discovered only after reconstruction, requiring return visits and repeated processing. We present OpenFlyScan, a quality-guided aerial reconstruction system for consumer drones that integrates a GS quality model, a reacquisition planner, and a custom-designed mobile app. The model learns from GS rendering errors to predict regional reconstruction quality. Based on these predictions, the planner then generates complementary reacquisition strips to be executed through the app, which also supports automated oblique surveys and data transfer without additional hardware on board. Across real aerial scenes, the model effectively identifies regions that are likely to be poorly reconstructed. In the Expo West field experiment, targeted reacquisition improves PSNR at additional views by 10.95 dB. With consumer drones, OpenFlyScan integrates capture, targeted reacquisition, and reconstruction to support rapid, low-cost urban asset creation. Code and models will be made publicly available at https://openflyscan.github.io/.