3D geometric reconstruction of civil infrastructures with neural radiance fields

O uso de tecnologias de sensoriamento sem contato para o monitoramento da saúde estrutu- ral (SHM) ampliou significativamente o conjunto de ferramentas disponíveis para medições e análises precisas em contextos científicos e de engenharia. Essas tecnologias superam vá- rias limitações dos sensores convencionais de contato, muitas vezes apresentando desempenho superior, com levantamentos mais ágeis, instalação mais conveniente e frequentemente custo inferior. Gêmeos Digitais — réplicas virtuais dinâmicas e orientadas por dados de estruturas físicas — revolucionaram ainda mais o SHM ao integrar dados de sensores em tempo real com análises preditivas e modelagem computacional. Tecnologias como LiDAR e fotogrametria são utilizadas para criar modelos 3D de alta fidelidade, que podem servir de base para modelos de informações de construções (BIM) e gêmeos digitais de estruturas civis. Avanços recentes em aprendizado profundo marcaram uma mudança de paradigma em diversas áreas, incluindo a reconstrução 3D. Uma abordagem promissora é o uso de Neural Radiance Fields (NeRF), uma metodologia baseada em aprendizado profundo capaz de produzir modelos 3D de alta fidelidade a partir de conjuntos esparsos de imagens, como fotos capturadas por câmeras convencionais ou smartphones. NeRF é capaz de gerar nuvens de pontos densas, comparáveis às produzidas por fotogrametria Multiview Stereo (MVS) e laser scanner terrestre. No entanto, há uma lacuna na literatura quanto à avaliação quantitativa das capacidades do NeRF para escaneamento 3D de pontes. Este trabalho avalia o desempenho das reconstruções 3D de pontes reais usando NeRF em comparação com modelos baseados em fotogrametria SFM/MVS e dados de referência gerados por LiDAR. Demonstramos a viabilidade do NeRF para avaliações estruturais em larga escala, com insights interessantes sobre seu desempenho sob diferentes disponibilidades de dados, impactando tanto as métricas de Nível de Precisão (LOA) quanto as medições estatísticas de erro. Modelos NeRF possuem maior LOA e valores menores de erro médio, desvio padrão e erro quadrático médio quando comparados com modelos de fotogrametria. No geral, o NeRF se mostrou um método mais robusto e preciso, especialmente ao equilibrar a disponibilidade de dados com a qualidade da reconstrução, posicionando-se como a escolha preferida para modela- gem 3D em cenários de dados limitados, restrições orçamentárias e escassez de equipamentos especializados. Essa abordagem oferece uma solução eficiente, econômica e precisa para atender à crescente demanda por monitoramento de infraestrutura no setor de Arquitetura, Engenharia e Construção, reduzindo assim as barreiras econômicas e técnicas à adoção dessa tecnologia.