BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20250704T084309Z LAST-MODIFIED:20250704T084309Z DTSTAMP:20260909T133627Z UID:1788950187@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Νικολάου Αγγελίδη  - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=7892&cHash=6c1181e02bcfaca 5ddaff861bc14ab00\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Νικολάου Αγγελί δη \n με θέμα\n Συνεχιζόμενη Μάθηση για NeRF σε Σκηνές που Ελήφθησαν από Μη Επανδρωμένα Αερόχηματα\n Continu al Learning for NeRF in Scenes Obtai ned from Drones\n Εξεταστική Επιτροπ ή\n Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς (Επιβλέπων)\n Καθηγητής Αν τώνιος Δεληγιαννάκης \n Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης\n Πε ρίληψη\n Τα τελευταία χρόνια, η κλιμ ατική αλλαγή έχει αυξήσει τη συχνότη τα και τη σοβαρότητα φυσικών καταστρ οφών όπως οι σεισμοί, οι πλημμύρες κ αι οι πυρκαγιές. Αμέσως μετά από τέτ οια γεγονότα, οι γρήγορες και ακριβε ίς τρισδιάστατες ανακατασκευές των π ληγεισών περιοχών μπορούν να υποστηρ ίξουν κρίσιμες αποφάσεις για την αντ ιμετώπιση εκτάκτων αναγκών και την α ποκατάσταση. Τα Νευρωνικά Πεδία Ακτι νοβολίας (Neural Radiance Fields – N eRFs) έχουν αναδειχθεί ως μια ισχυρή λύση για σύνθεση νέων όψεων και τρι σδιάστατη ανακατασκευή από εικόνες. Ωστόσο, τα παραδοσιακά μέσα πληροφορ ίας των NeRFs υποθέτουν στατικές σκη νές και απαιτούν πλήρη επανεκπαίδευσ η κάθε φορά που υπάρχουν αλλαγές, κα θιστώντας τα ακατάλληλα για δυναμικά , πραγματικά περιβάλλοντα. Σε αυτή τ η διπλωματική εργασία, διερευνούμε μ εθόδους συνεχούς μάθησης (continual learning) για την επέκταση των μοντέ λων NeRF με την ικανότητα σταδιακής ενημέρωσης των ανακατασκευών σκηνής χωρίς καταστροφική λήθη. Αξιολογούμε δύο πλαίσια, τα Nerfstudio και CLNe RF, στα οποία αναπτύχθηκαν προσαρμοσ μένα εργαλεία για την υποστήριξη σεν αρίων συνεχούς μάθησης. Παρόλο που τ ο Nerfstudio έδειξε δυναμική, τεχνικ οί περιορισμοί μάς οδήγησαν να επικε ντρωθούμε κυρίως στο CLNeRF, το οποί ο επεκτείναμε και προσαρμόσαμε σε δι άφορες πειραματικές συνθήκες. Αξιολο γούμε την απόδοση σε ένα ευρύ σύνολο αλλαγών σκηνής, όπως προσθήκες/αφαι ρέσεις αντικειμένων, μεταβολές φωτισ μού, απόκρυψη περιοχών και με ποικίλ ους τύπους εισόδου δεδομένων. Τα απο τελέσματά μας δείχνουν ότι οι μέθοδο ι συνεχούς μάθησης μπορούν να μειώσο υν σημαντικά τον χρόνο εκπαίδευσης, να διατηρήσουν την ποιότητα της ανακ ατασκευής και να διαχειριστούν σύνθε τες δυναμικές σκηνές. Αυτά τα ευρήμα τα αποτελούν τη βάση για την υλοποίη ση συστημάτων με χρήση NeRFs σε περι βάλλοντα με περιορισμένο χρόνο, όπως η χαρτογράφηση σκηνών μετά από κατα στροφές μέσω εναέριων λήψεων με μη ε πανδρωμένα αερόχηματα.\n Abstract\n In recent years, climate change has increased the frequency and severity of natural disasters such as earthq uakes, floods, and wildfires. In the immediate aftermath of such events, fast and accurate 3D reconstruction s of affected areas can support crit ical decision making for emergency r esponse and recovery. Neural Radianc e Fields (NeRFs) have emerged as a p owerful solution for novel-view synt hesis and 3D reconstruction from spa rse imagery. However, traditional Ne RF pipelines assume static scenes an d require full retraining whenever u pdates occur, making them unsuitable for dynamic, real-world environment s. In this thesis, we explore contin ual learning approaches to extend Ne RF models with the ability to increm entally update scene reconstructions without catastrophic forgetting. We evaluate two frameworks, Nerfstudio and CLNeRF, where custom tooling is developed to support continual lear ning scenarios. While Nerfstudio sho wed promise, technical limitations l ed us to focus primarily on CLNeRF, which we extended and adapted to sui t a variety of experimental conditio ns. We assess performance across a d iverse set of scene changes, includi ng object additions/removals, lighti ng variations, occlusions, and with a variety of types of input datasets . Our findings demonstrate that cont inual learning methods can significa ntly reduce training time, maintain reconstruction quality, and handle c omplex scene dynamics. These results lay the groundwork for deploying sy stems using NeRFs in time-sensitive scenarios such as mapping of a post- disaster scene using drone imagery.\ n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250710T120000 DTEND:20250710T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR