Mar, 2021

Mip-NeRF: 用于抗锯齿的多尺度神经辐射场表示

PDF
TL;DR使用连续值比特映射扩展 NeRF, 可以高效地渲染反锯齿锥体，提高了表现精细细节的能力，缩小了占用空间，降低了平均误差率
neural radiance fieldsanti-aliasingmultilayer perceptronmip-nerfsupersampling
发现论文，激发创造
  • Mip-Grid: 神经辐射场的抗锯齿网格表示

    本文介绍了一种名为 mip-Grid 的方法，它将消除深度学习模型渲染过程中的锯齿状失真问题与快速训练相结合的网格表示技术，通过生成多尺度的网格并使用尺度感知坐标检索不同尺度的特征，大大提高了渲染性能和训练速度。

    Feb, 2024

  • 实时反走样神经渲染的多尺度表示

    本文介绍了一种名为 Mip-VoG 的新的多尺度渲染技术，采用四线性插值将 3D 场景中的位置映射到其特征和密度。相比传统的 NeRF 和 Mip-NeRF 方法，Mip-VoG 在同时提高多尺度训练和实时抗锯齿渲染方面具有更好的性能。

    Apr, 2023

  • 金字塔神经辐射场 PyNeRF

    通过在不同空间网格分辨率上训练模型头部，我们对基于网格的模型进行简单修改，以实现容易的扩展，提高渲染质量和性能效率。

    Nov, 2023

  • Mip-NeRF 360：无界防锯齿神经辐射场

    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

  • Tri-MipRF: 三维多层金字塔表示用于高效抗锯齿的神经辐射场

    我们提出了一种新的 Tri-Mip 编码方法，实现了神经辐射场的即时重建和抗锯齿高保真渲染，通过三个正交 mipmap 将预滤波的 3D 特征空间进行因式分解，从而以高效的方式进行三维区域采样，提高渲染质量而不牺牲效率。

    Jul, 2023

  • Zip-NeRF: 基于格点的反锯齿神经辐射场

    使用渲染和信号处理中的思想，将 mip-NeRF 360 和基于网格的模型相结合，使误差比之前的技术低 8%-76%，并且训练速度比 mip-NeRF 360 快 22 倍。

    Apr, 2023

  • 频率 Mip-AA：抗锯齿神经辐射场的频率 Mip 表示

    利用基于网格的表示和频域表示的频谱 MipAA 方法，通过利用尺度特定的低通滤波器（LPF）和可学习的频谱遮罩，在保留重要细节的同时有效消除锯齿因素，以解决 Neural Radiance Fields 在生成 3D 场景和渲染不同相机距离下的图像时的走样问题。

    Jun, 2024

  • 自适应多 NeRF：利用自适应多尺度神经辐射场渲染中的高效并行性

    通过将场景自适应地细分为轴对齐的包围盒，并使用树层次结构方法将较小的 NeRF 分配给不同大小的子空间，该论文提出了一种有效的适应性多 NeRF 方法，以加速针对复杂场景的神经渲染过程，以实现对特定场景部分的精细神经表示。

    Oct, 2023

  • 多空间神经辐射场

    我们提出了一种多空间神经辐射场（MS-NeRF），通过在并行子空间中表示场景的特征场组，以更好地理解神经网络对具有反射和折射性物体的存在的情况，从而实现了对现有 NeRF 方法的增强，且仅需要小的计算开销。在由 25 个合成场景和 7 个具有复杂反射和折射的真实捕捉场景组成的新颖构建数据集上进行的比较表明，我们的方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。

    May, 2023

  • MIMO-NeRF：多输入多输出神经辐射场的快速神经渲染

    通过使用多输入多输出 NeRF（MIMO-NeRF）和自监督学习方法，我们提出了一个新的解决方案来加速神经辐射场（NeRF）的渲染速度，并且与前沿技术相兼容。

    Oct, 2023