Oct, 2021

神经预积分光照反射分解

PDF
TL;DR本文提出了一种新颖的反射率分解网络，通过使用 Neural-PIL 替换昂贵的照明积分操作和使用平滑流形自编码器学习深度低维表现，实现了物体图像的形状、BRDF 和每个图像的照明的估计，得到的分解结果可有效地提高 BRDF 和光估计的准确性，实现更准确的新视图合成。
发现论文，激发创造
  • NeRD: 图像集合中的神经反射分解

    本论文提出了一种使用基于物理的渲染来分解场景并产生具有 BRDF 材料属性的可重光纹理网格的方法，可适用于不同光照条件下获取的图像，实验证明该方法能够从图像集合中获得高质量的可重光 3D 资源。

    Dec, 2020

  • 可编辑的小说视角合成的统一分解和组合 NeRF 学习

    本论文提出了一个统一的神经辐射场（NeRF）框架，以有效地进行场景分解和合成，用于建模现实世界场景，通过学习不同对象的解耦 3D 表示进行场景编辑，同时为新颖视角合成建模整个场景表示。

    Aug, 2023

  • 通过无监督分解和增强点云照明的 NeRF

    该论文介绍了一种名为低光线神经光辐射场（或 LLNeRF）的新方法，通过一种无监督的方式，将场景表示增强，并直接从 sRGB 低光线图像中合成正常光照的新视图。该方法能够通过学习辐射场的分解，提高照明效果、减少噪声和更正失真的颜色，从而产生具有适当照明、生动颜色和细节的新视图图像。实验证明，该方法优于现有的低光照增强方法和神经光辐射场方法。

    Jul, 2023

  • IntrinsicNeRF: 学习可编辑的内在神经辐射场进行新视角合成

    通过引入本质表征分解的内在神经辐射场 (IntrinsicNeRF) 模型，将 NeRF 神经渲染方法的应用扩展到基于房间尺度的场景中；基于点采样和反射迭代聚类优化的方法使 IntrinsicNeRF 模型可以在无监督的环境下具备传统本质分解约束条件，并展示了在面对具有挑战性序列时，其具有相对稳定的本质分解结果和高保真度的新视角生成效果。

    Oct, 2022

  • DeRF: 分解辐射场

    本文介绍一种基于空间分解的神经辐射场渲染技术，实验表明该技术在保证渲染质量的同时，提供了比 Neural Radiance Fields 更高效的推理速度，可 GPU 友好地进行渲染。

    Nov, 2020

  • NeAI: 插拔式神经环境照明的预卷积表示

    本研究提出一种全可微分的神经自适应环境光照 (NeAI) 框架，使用神经光辐射场 (NeRF) 作为光照模型，解决了简化光照模型的不足，并通过实验表明在新视角渲染方面的卓越性能，为弥合虚拟和现实场景之间的差距打开了令人兴奋的可能性。

    Apr, 2023

  • 神经辐射场中的学习式光照重建和内在分解

    我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。

    Jun, 2024

  • NeuS-PIR: 使用预积分渲染学习可重新照明的神经表面

    本文提出了一种新方法，使用预积分渲染有效地学习可重构的神经表面，同时在神经隐式场内学习几何、材料和照明等物理属性，并在协作上进行优化，实现了在合成和真实数据集中超越现有技术的效果。

    Jun, 2023

  • NeRFReN: 具有反射特性的神经辐射场

    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

  • NeRFactor: 在未知光照情况下进行形状和反射的神经因子分解

    通过 NeRFactor 方法，通过多视图图像恢复物体的形状和空间变化的反射率，从而实现在任意环境光照下呈现物体的新视图和编辑物体材料属性。

    Jun, 2021