Fra fotografier til romlig forståelse
En proprietær tilnærming til eiendomsvisualisering
Vetle Wammer
Sammendrag
Vi presenterer vårt proprietære system for å transformere vanlige smarttelefonfotografier til navigerbare romlige representasjoner, som muliggjør fjernvurdering av eiendom uten fysisk tilstedeværelse. Arbeidet kombinerer monokulær dybdeestimering, semantisk sceneforståelse og menneskelig romlig kognisjon – og de praktiske lærdommene fra utrulling av teknologien i det norske eiendomsmarkedet.
Problemområdet
Eiendomsvurdering har tradisjonelt krevd fysisk tilstedeværelse. En kjøper må reise til en lokasjon, koordinere avtaler med meglere og bruke tid på å gå gjennom rom for å forstå planløsning og tilstand. Prosessen skaper betydelig friksjon:
- Geografiske begrensninger snevrer inn tilgjengelige markeder
- Tidskoordinering mellom partene skaper forsinkelser
- 2D-fotografier formidler ikke romlige sammenhenger godt nok
- Mental rekonstruksjon av 3D-rom fra bilder er kognitivt krevende
Det grunnleggende spørsmålet vi ønsket å besvare var: Kan beregningssystemer bygge bro mellom fotografisk dokumentasjon og romlig forståelse på en måte som faktisk reduserer behovet for fysiske visninger?
Systemarkitektur
Vår pipeline transformerer ustrukturert visuelt input til interaktive romlige representasjoner gjennom flere prosesseringssteg:
Arkitekturen er utformet for progressiv forbedring – grunnleggende romlige modeller er tilgjengelige i løpet av sekunder, mens rekonstruksjoner med høyere kvalitet behandles asynkront og erstatter den første utgaven automatisk.
Metodisk grunnlag
Systemet bygger på etablerte teknikker innen maskinsyn, tilpasset de spesifikke begrensningene i eiendomsbilder:
Featuredeteksjon og matching
Vi benytter SuperPoint [1] for lært featuredeteksjon, med SIFT [2] som fallback ved krevende lysforhold. Matching av features bruker SuperGlue for robust korrespondanseestimering.
Monokulær dybdeestimering
Primær dybdeinferens bruker MiDaS v3.1 [3], med Depth Anything [4] for kryssvalidering i tvetydige områder. Skalajustering utføres ved hjelp av kjente objektpriorer og matrikkelreferanser der det finnes.
Kameraets posisjonsestimering
Multivisningsgeometri gjenfinnes ved hjelp av en COLMAP-avledet pipeline [5] optimalisert for innendørsscener. Bundle adjustment forbedrer kameraparametere og sparsomme punktskyer iterativt.
Scenerekonstruksjon
Tett rekonstruksjon utnytter Neural Radiance Fields [6] for fotorealisme, mens 3D Gaussian Splatting [7] muliggjør sanntidsrendering på maskinvare for forbrukere. Punktskytetthet justeres adaptivt basert på enhetskapasitet.
“Menneskelig romlig kognisjon rekonstruerer naturlig 3D-miljøer fra 2D-visuelle inntrykk. Vi fant at beregningssystemer kan støtte denne prosessen – men bare når begrensningene kommuniseres ærlig.”
Observerte resultater
Utrulling i det norske markedet har gitt foreløpig validering av tilnærmingen:
Resultater fra intern evaluering på tvers av 50 testeiendommer med 25 brukere.
Utfordringer og begrensninger
Tilnærmingen møter grunnleggende begrensninger som må anerkjennes. Vi dokumenterer disse ikke som feil, men som aktive forskningsområder og ærlige vurderinger av dagens systemgrenser:
Avhengighet av lysforhold
Dybdeestimering er sterkt avhengig av konsistente lysforhold. Dårlig opplyste rom – vanlig i norske vintre – produserer upålitelig geometri, særlig i hjørner og skyggefulle områder. Scenarier med høy dynamisk kontrast (lyse vinduer, mørke interiører) skaper eksponeringsartefakter. Systemet oppdager slike forhold og kommuniserer redusert sikkerhet.
Artefakter i videoopptak
Håndholdt smarttelefonvideo introduserer bevegelsesuskarphet, rolling-shutter-forvrengning og komprimering med variabel bitrate. Raske kamerabevegelser gir svikt i feature-sporing. Vi benytter algoritmer for rammeseleksjon for å identifisere stabile keyframes, men aggressive bevegelsesmønstre er fortsatt utfordrende.
Reflekterende og transparente overflater
Speil, vinduer og blanke overflater forvirrer dybdeestimeringen – et speil kan fremstå som en portal til et annet rom og skape geometriske motsigelser. Glassflater produserer inkonsistente dybdemålinger. Refleksjonsdeteksjonen vår oppnår omtrent 78 % recall, men randtilfeller gjenstår.
Okklusjon og dekning
Møbler og gjenstander blokkerer utsyn til vegger og gulv. Systemet kan ikke se bak en sofa eller inn i skap. Multivisningsopptak avhjelper dette, men full romdekning krever bevisste opptaksstrategier som tilfeldige brukere sjelden følger.
Skalausikkerhet
Uten kjente referanseobjekter forblir absolutt skala usikker. Et lite rom med vidvinkellinse kan ligne et stort rom med smalere linse. Vi håndterer dette gjennom matrikkelintegrasjon der det er tilgjengelig, men ikke-listede eiendommer mangler mål med kjent fasit.
Dynamiske sceneelementer
Personer, kjæledyr eller bevegelige objekter under opptak skaper rekonstruksjonsartefakter. Gardiner i bevegelse, flimrende lys og TV-skjermer introduserer tidsmessige inkonsistenser. Pipelinen vår forutsetter statiske scener og flagger bilder med oppdaget bevegelse.
Norsk markedskontekst
Å bygge systemer for romlig forståelse for det norske eiendomsmarkedet innebærer særskilte hensyn som har påvirket våre tekniske valg:
- Lysforhold: Lange perioder med lite naturlig lys i vintermånedene (polarnatt i nordlige regioner) krever robust håndtering av scenarier med kunstig belysning.
- Byggestandarder: TEK17-regelverket skaper forutsigbare romlige mønstre – standard dørbredder, takhøyder og baderomsdimensjoner – som informerer geometriske priorer.
- Matrikkelintegrasjon: Matrikkelen gir autoritative eiendomsgrenser og registrert bruksareal, noe som muliggjør skalakalibrering der det finnes oppføringer.
- Sameieformer: Borettslag og sameier påvirker dokumentasjonskvaliteten – fellesarealer krever andre opptaks- og attribusjonsstrategier.
Videre arbeid
Flere forskningsretninger er fortsatt aktive undersøkelsesområder:
Dynamisk NeRF for video
Utvide rekonstruksjonen til å håndtere bevegelige elementer – dører som åpnes, lys som slås av og på – og dermed muliggjøre tidslig sceneforståelse.
Sanntids dybdefusjon
Integrasjon av dybdesensorer på enheten (LiDAR, ToF) for umiddelbar, skalanøyaktig rekonstruksjon uten etterprosessering.
Automatisk plantegningsekstraksjon
Utlede 2D-arkitekturtegninger fra 3D-rekonstruksjoner, inkludert veggdeteksjon, romgrenser og kvadratmeterberegninger.
Agentisk analyse i 3D
Integrasjon av språkmodeller med romlig kontekst for automatisk tilstandsvurdering, forslag til oppussing og støtte for verdivurdering.
Objektsegmentering for oppussing
Forståelse på instansnivå av møbler, inventar og overflater – som muliggjør virtuell styling og visualisering av oppussing.
Sammenkobling av flere rom
Samstemt justering av separat opptatte rom til en samlet eiendomsrekonstruksjon med konsistent skala.
Referanser
- DeTone, D., Malisiewicz, T., Rabinovich, A. (2018). “SuperPoint: Self-Supervised Interest Point Detection and Description.” CVPR 2018 Deep Learning for Visual SLAM Workshop.
- Lowe, D.G. (2004). “Distinctive Image Features from Scale-Invariant Keypoints.” International Journal of Computer Vision, 60(2), 91-110.
- Ranftl, R., Bochkovskiy, A., Koltun, V. (2021). “Vision Transformers for Dense Prediction.” ICCV 2021.
- Yang, L., et al. (2024). “Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data.” CVPR 2024.
- Schönberger, J.L., Frahm, J.M. (2016). “Structure-from-Motion Revisited.” CVPR 2016.
- Mildenhall, B., et al. (2020). “NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis.” ECCV 2020.
- Kerbl, B., et al. (2023). “3D Gaussian Splatting for Real-Time Radiance Field Rendering.” SIGGRAPH 2023.