Nov, 2021

Mip-NeRF 360：无界防锯齿神经辐射场

HTML
PDF
TL;DR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。
发现论文，激发创造
  • NeRF++：分析和改进神经辐射场

    通过NeRF的方法来实现对于图像的View Synthesis, 本文提到了NeRF的成功之处以及在应用于大规模无界三维场景中进行改进，使其在360°的拍摄模式下提高拍摄质量。

    Oct, 2020

  • 单目视频下动态场景的非刚性神经辐射场重建和新视角合成

    该论文提出了一种新的非刚性动态场景重建和新视角合成方法——NR-NeRF，该方法能够使用一个便携式消费级相机拍摄到的动态场景的 RGB 图像创建高质量的时空几何和外观表示，并且可以生成复杂的渲染场景。

    Dec, 2020

  • 无相机已知参数的神经辐射场（Neural Radiance Fields）--NeRF--

    本文提出NeRF--用于学习相机内参和位姿，在各种相机运动情况下实现了准确的相机参数估计，并且在合成数据集BLEFF上实现了可比较的新视角渲染质量，为2D图像生成3D场景的任务提供了新思路。

    Feb, 2021

  • Mip-NeRF: 用于抗锯齿的多尺度神经辐射场表示

    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

    Mar, 2021

  • Aug-NeRF：利用三级基于物理学的扩展训练更强大的神经辐射场

    本研究提出了一种名为Aug-NeRF的增强型神经辐射场模型，它利用鲁棒的数据增强技术来加强NeRF的训练，从而提高其在新视角合成和几何重建方面的表现，并且可以从严重受损的图像中恢复场景。

    Jul, 2022

  • 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

  • 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

  • 重新 Nerfing: 通过新视角合成对神经辐射场施加几何约束

    通过 Re-Nerfing 方法，我们在 Neural Radiance Fields 的基础上使用多阶段的方法增加场景的覆盖范围，提高新视角的几何一致性，并通过新合成的图像实现结构和极线约束的优化，对 mip-NeRF 360 数据集进行的实验证明了 Re-Nerfing 的有效性。

    Dec, 2023

  • CF-NeRF：无需相机参数的逐步学习神经辐射场

    通过增量式运动结构(SfM)启发的相机参数自由神经辐射场(CF-NeRF)模型，逐渐重建三维表示并恢复相机参数，能够鲁棒处理相机旋转场景，并在不提供先验信息和约束的情况下实现最先进的结果。

    Dec, 2023

  • 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