Mar, 2018

一种基于空间哈希的实时场景重建的高效体网格表示

PDF
TL;DR本文提出了一种创新的框架，采用体积表示法对网格进行紧缩、更新和细化，同时采用哈希方法实现 O (1) 的访问，引入 Hamming 距离方法进一步改善三角形一致性，同时使用基于锁和无锁操作实现 GPU 并行计算，实验证明该方法在在线重建过程中能够显著减少网格内存占用且速度快。
发现论文，激发创造
  • HVOFusion: 使用混合体素八叉树进行增量网格重建

    这篇论文研究了增量场景重建，在提出的混合体素 - 八叉树方法中，利用了隐式表面和显式三角网格表示，以实现快速准确地重建具有逼真颜色的场景。

    Apr, 2024

  • FastMESH：基于六边形网格神经渲染的快速曲面重构

    该论文提出了一种称为 FastMESH 的有效的基于网格的神经渲染方法，通过采用六边形网格模型以及基于粗到细的空间切割方案，可以在快速训练的同时，实现更好的重建和新视角合成效果。

    May, 2023

  • H-CNN：基于空间哈希的 3D 形状分析卷积神经网络

    本文介绍了一种基于空间哈希的数据结构，该结构可以方便使用卷积神经网络进行三维形状分析。相比现有的基于边界的方法，使用该数据结构可以极大地降低内存消耗，提高 CNN 的运行速度，同时保证了分析结果的准确性。

    Mar, 2018

  • 深度图像的体积融合框架

    InfiniTAM 是一个新的统一框架，它可以快速灵活地进行 3D 重建，基于 KinectFusion 方法和单目 SLAM 方法，使用截断有符号距离函数来表示体积模型，提供了一系列组件来实现可扩展的 3D 重建。

    Oct, 2014

  • 高效神经渲染的体素混合原理

    本研究提出一种混合体元素模型（MVP），它将体元素和点渲染结合了起来，实现了体和点渲染相结合的性能，同时支持相应和跟踪约束，并在细节、透明度和几何变化等方面具有鲁棒性。大量实验证明了该方法的质量和运行时间性能优于现有技术。

    Mar, 2021

  • 多视图重建中通过体渲染学习拓扑统一的人脸网格

    我们提出了一种面向多视角重建的具有一致拓扑的面网格的网格体渲染方法，通过将稀疏网格特征扩散到周围空间以模拟体渲染所需的辐射场，从而实现对网格几何和隐式外观特征的梯度反向传播，并展示了变形不变性的特性以实现网格编辑后的逼真渲染。

    Apr, 2024

  • 使用带引导的稀疏特征体积融合从单目视频中增量稠密重建

    本文提出了基于特征体积的实时密集重建方法，采用稀疏的深度特征体积来预测 TSDF 值，通过多视角图像聚合细节信息进行时序融合，实现了比以往更高分辨率和更完整细节的三维几何图形重建，其在室内和室外场景中都比现有的方法具有更好的实时重建性能。

    May, 2023

  • Image2Mesh: 单张图像三维重建的学习框架

    本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

    Nov, 2017

  • 基于坐标的网络在体积数据的高效神经表示

    我们提出了一种利用坐标网络和多分辨率哈希编码对体积数据进行压缩和表示的高效方法，通过学习空间坐标和强度值之间的映射，实现有效的压缩，比较了不同编码方案，并展示了多分辨率哈希编码在压缩质量和训练效率方面的优越性，同时借助优化型元学习，特别是使用 Reptile 算法，学习适用于体积数据的神经表示的权重初始化，从而在优化过程中实现更快的收敛，此外，我们与最先进的方法进行比较，展示了改进的图像质量和压缩比，这些发现突显了利用基于坐标的网络和多分辨率哈希编码进行高效准确的体积数据表示的潜力，为大规模数据可视化和其他应用的进展铺平了道路。

    Jan, 2024

  • 神经体积：从图像中学习动态可渲染的体积

    通过学习，我们提出了一种表示动态物体的方法，该方法由编码器 - 解码器网络和可微分的射线行进操作组成，它不需要明确重建或跟踪物体，使用了 3D 体积表示法，表现出更好的图像质量，为高分辨率应用提供了一种从表面到体积的方法

    Jun, 2019