Jan, 2020

深度非直视线重建

PDF
TL;DR本文采用卷积前馈神经网络来解决超出直线视野成像中的复杂非线性细节重建问题，能够高效地生成大量的训练数据。实验结果表明，我们的前向传播网络，即使仅在合成数据上训练，也能推广到 SPAD 传感器的测量数据，并能够获得与基于模型的重建方法相媲美的结果。
imagingbeyond direct line of sighttime-resolved optical impulse responsesreconstructionconvolutional feed-forward networks
发现论文，激发创造
  • 间接飞行时间数据的非直接视线成像 (NIGHT)

    该研究论文以仅使用普通光时间飞行传感器的数据，而无需额外硬件需求，首次提出了利用深度学习模型来处理摄像机视线之外的物体获取问题，并通过构建注释的训练数据，轻松处理光反射并恢复隐藏场景的深度信息，同时演示了该想法的可行性。

    Mar, 2024

  • 利用漫反射重建隐藏的三维形状

    研究了通过多次反射来还原隐蔽空间结构及使用不同相机还原三维物体的方法。

    Mar, 2012

  • 自校准的、全可微的非线性光路反渲染

    通过可分的端到端非直视成像管道，我们以在时间和频率领域同时工作的方式，在重建隐藏场景过程中自动校准成像参数，并从非直视体积强度中提取隐藏场景的几何表示，估计由该几何信息产生的继电墙上的时间分辨照明。

    Sep, 2023

  • 基于 EPI 的卷积网络光场重构及其扩展应用

    本文提出了一种基于卷积神经网络的框架，用于从稀疏视图中重建光场；该框架将重建视为在极线平面图像上的角度恢复；通过一种 “模糊 - 恢复 - 去模糊” 的新框架，可以有效压制重叠效应，并展示应用领域，包括深度增强和插值。

    Mar, 2021

  • 逆向渲染中间接照明建模

    本文提出一种新的方法来有效地恢复具空间变化的间接光照。该方法使用输入图像学习的神经放射场方便地导出间接光照，并采用适当建模的方法恢复直接光照的可见度和间接光照的折射 - 阴影自由反照率，以达到优于先前方法的效果。

    Apr, 2022

  • FineRecon: 深度感知前馈网络用于详细三维重建

    本文介绍了三种有效的方法来改善基于内推法的三维重建的精度，分别为：分辨率无关的 TSDF 监督策略、使用多视角深度估计的深度引导策略和使用高分辨率图像特征的新颖体系结构。这些方法可以使三维重建更加精细准确。

    Apr, 2023

  • DeepToF：即插即用的飞行时间成像多径干扰实时校正

    本文基于卷积神经网络和自编码器的方法，提出了不需要对相机进行修改即可校正多径干扰导致深度估计误差的技术，并通过大量数据的训练和模拟实验验证了该方法的可行性。

    May, 2018

  • 实时三维近场 MIMO 雷达成像的高效基于物理的学习重建方法

    通过开发深度学习重建方法，我们为实时近场多输入多输出（MIMO）雷达成像系统提供了一种新颖的非迭代重建方法，旨在在压缩设置下以较低的计算成本实现高质量图像。

    Dec, 2023

  • 稀疏多视图图像抓取的深度 3D 捕获：几何和反射

    本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF，通过最小化光度误差优化多视角反射率网络的潜在空间，成功地实现了从稀疏数据中重建出高质量的物体，进而渲染出真实的图像。

    Mar, 2020

  • 轻场景神经渲染

    本文提出了一种基于四维光场表示的双阶段变压器模型，旨在弥合几何重建和经典光场渲染之间的差距，通过强制约束几何约束，使得场景几何隐含在稀疏的视角学习中，并在多个前向和 360 度数据集上超越了最先进技术，尤其是在视角变化剧烈的情况下。

    Dec, 2021