NeRF++:分析和改进神经辐射场
Neural Radiance Field (NeRF) is a framework representing a 3D scene with MLP, achieving state-of-the-art photorealistic image renderings for view synthesis and expanding capabilities to generate views from dynamic scene representations with fewer images for training.
Apr, 2023
本论文提出了一种基于学习的方法,利用无组织的野外照片合成复杂场景的新视图,并介绍了一系列扩展 NeRF 的方法以解决自然图像中的一些问题,最终成功地构建了名称为 NeRF-W 的系统,能够从互联网上的无组织照片集合中重建场景并呈现接近于照片现实主义水平的合成视图。
Aug, 2020
本文提出了一种叫做 NeRF 综合的新任务,利用 NeRF 补丁范例的结构内容构建大尺寸的新辐射场,我们提出了一种两阶段的方法来综合新场景,控制场景的照明效果采用阴影指导而不是分离场景,我们表明了我们的方法可以生成高质量的结果,对曲面上的新场景进行综合,增强了我们所提出的 NeRF 综合方法的实用性。
Jun, 2023
该研究通过提出 Enhance-NeRF 模型,增强神经放射场(NeRF)在虚拟现实和增强现实等领域的三维重建应用,改进了场景识别和学习能力,有望广泛应用于照明、材质和形状的室外场景重建,具备插拔式的易用性,并能够与其他 NeRF-based 模型轻松集成。
Jun, 2023
该研究提出了 NeRFReN,它是基于 NeRF 的,能够建模带有反射的场景,并将场景分为透射和反射组件,用单独的神经辐射场来建模两个组件,以实现高质量的新视图综合和深度估计结果。
Nov, 2021
近年来,神经辐射场(NeRF)在计算机视觉和图形领域取得了显着进展,为解决 3D 场景理解、新视角合成、人体重建、机器人等关键任务提供了强有力的技术支持。本文对过去两年内关于 NeRF 的研究文献进行了深入分析,在详细阐述 NeRF 核心架构的基础上,讨论了 NeRF 的各种改进策略,以及在不同应用场景中的案例研究,展示了其在不同领域的实际应用价值。同时,本文还详细介绍了 NeRF 模型训练所需的关键资源,最后提出了关于 NeRF 未来发展趋势和潜在挑战的前瞻性讨论,旨在为该领域的研究人员提供研究灵感,促进相关技术的进一步发展。
Mar, 2024
Ref-NeRF 通过替换 NeRF 的视角相关的出射辐射参数化为反射辐射参数来提高 NeRF 方法表示高光表面外观的准确性,并且使用一系列空间变化场景属性来构造该函数结构,同时结合法线向量的正则化,可以实现更加真实和准确的高光反射,此外,我们的模型的内部表示也具有可解释性,用于场景编辑。
Dec, 2021
本篇论文提出了一种新的方法,通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示,使用屏幕空间卷积,来提高外观的质量和整个框架的表现。
Apr, 2023
本研究提出了一种名为 mĩp-NeRF 360 的模型,通过应用非线性场景参数化、在线蒸馏和一种新的基于畸变的正则化器,克服了 3D 场景中存在的挑战,在高度复杂的未限定真实世界场景中减少了均方误差 57%,能够提供逼真的合成视图和详细的深度图。
Nov, 2021