学习隐式表面光场

Mar, 2020

Learning Implicit Surface Light Fields

Michael Oechsle, Michael Niemeyer, Lars Mescheder, Thilo Strauss, Andreas Geiger

TL;DR本研究提出了一种隐式表示法，以捕捉物体表面在光场中的视觉外观，并证明了该方法能够在使用单个真实 RGB 图像和对应的三维形状信息时预测未见过的物体的视觉外观。该方法建立了一个连续的表面光场表示，独立于几何形状，并且在特定照明条件下可嵌入到可变自编码器中进行生成新的外观的任务中。

Abstract

Implicit representations of 3D objects have recently achieved impressive results on learning-based 3d reconstruction tasks. While existing works use simple texture models to represent object appearance, photo-realistic image synthesis requires reasoning about the complex interplay of l

implicit representation surface light field photo-realistic image synthesis 3d reconstruction variational auto-encoder

发现论文，激发创造

神经点光场

采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。

Dec, 2021

深度级集：用于三维形状推断的隐式表面表示

通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。

Jan, 2019

无需三维监督学习推断隐式曲面

本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

Nov, 2019

非监督式物体光场的发现与合成

本文提出了一种基于光场的物体中心化组合场景表示法，通过无监督的方式学习神经场景表示，显著提高了场景渲染的速度和质量。

May, 2022

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

基于阴影引导的生成式隐式模型用于精确形状的 3D 感知图像合成

本研究提出了一种基于阴影引导的生成式隐式模型，该模型利用多角度光照约束对 3D 物体进行建模，使得在不同光照条件下产生逼真的渲染效果，从而改善先前方法在表达精确 3D 形状方面的局限性，并成功应用于图像重照和 3D 形状重建任务。

Oct, 2021

学习符号距离场进行多视角表面重建

本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架，使用有符号距离场和表面光场直接表示场景几何及外观，并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性，实验结果表明相较于现有最优方法，本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。

Aug, 2021

利用光场综合的生成模型进行深度估计

本研究提出了一种新的框架，它可以从光场数据中恢复高质量的连续深度图，其中包括基于深度图完全参数化的光场生成模型，并结合非局部均值先验等强大的正规化技术以实现准确的深度图估计。

Sep, 2016

深度表面光场

本文提出了一种名为 Deep Surface Light Field（DSLF）的新型神经网络技术来高保真渲染，它可利用不同的采样模式和预测能力填充缺失数据，同时通过图像配准和纹理感知重新网格化以避免模糊，大幅提高了数据压缩比和 GPU 渲染效率。

Oct, 2018

NSLF-OL: 神经表面光场的在线学习与实时增量三维重建

本文提出一种新的神经表面光场模型，以应对机器人 3D 建模中拍摄视角限制的挑战，未来可以用于机器人探索等领域。同时，也设计了一种多个异步神经代理的框架，用于在大规模成长场景中对小区域进行并行学习。

Apr, 2023