Nov, 2021

神经场作为可学习的核在 3D 重建中的应用

PDF
TL;DR使用神经核场方法，基于学习的核脊回归，重建隐含 3D 形状。该技术在从稀疏定向点重建 3D 对象和大场景方面取得了最先进的结果，并且在训练集之外重构形状类别时几乎没有降低准确性。
neural kernel fields3d shapeskernel ridge regressionsparse oriented pointsshape reconstruction
发现论文，激发创造
  • 神经核表面重建

    本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。

    May, 2023

  • 神经样条：用无限宽神经网络拟合三维曲面

    介绍了一种基于无限宽的 ReLU 神经网络随机特征内核的 3D 表面重建技术，它能够超越最近的神经网络技术和 Poisson 表面重建方法，提供了一种简单且易于分析的内核公式，并证明其为更高维度的三次样条插值的推广。

    Jun, 2020

  • 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

  • 3D 高斯差分渲染的灵活技术

    快速可靠的形状重建是许多计算机视觉应用的关键要素。神经辐射场证明了逼真的新视角合成是可行的，但在对实景和物体进行快速重建方面要求表现。最近的几种方法基于其他形状表示，特别是 3D 高斯函数。我们对这些渲染器进行扩展，例如集成可微分光流、导出满封闭网格和按射线渲染法线。此外，我们展示了两种最近方法之间的互操作性。这些重建速度快、鲁棒，并且可以在 GPU 或 CPU 上轻松执行。详细的代码和可视化示例请参见网址：https:// 此处为网址

    Aug, 2023

  • 神经无符号距离场用于隐函数学习

    本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。

    Oct, 2020

  • 神经场遇上显式几何表示，逆向渲染城市场景

    提出一种新的逆向渲染框架，能够从一组 RGB 图像中联合重建场景几何、空间变化的材料和 HDR 照明，并支持物理场景操作，例如射线跟踪阴影投射。

    Apr, 2023

  • 室内环境中部分观测对象的类别级神经场重建

    通过引入类别级神经场，我们提出了一种改进的方法来重建场景中部分可见的物体，提高三维重建的效果，并在模拟和真实数据集上进行了实验证明。

    Jun, 2024

  • 基于 3D 神经场的深度学习

    本文提出了 nf2vec 框架，用于在单次推断中为输入的神经场生成紧凑的潜在表示，展示了将其嵌入到深度学习流程中并成功解决各种任务的有效性。

    Dec, 2023

  • 纹理场：在函数空间中学习纹理特征

    本文提出一种基于神经网络参数化的连续 3D 函数的纹理表示方法 Texture Fields，可以用于高频纹理重建和与现代深度学习技术的自然融合，并在条件纹理重建和纹理生成模型学习方面表现出色。

    May, 2019

  • 卷积神经网络中用于图像分类的卷积核设计

    通过对卷积核的形状与特征表示学习之间的关系的探究，结合实验结果和模拟视觉系统的观察，提出了一种新的卷积核形状设计方法，该方法在 ILSVRC-2012 数据集上减少了模型参数和计算时间，在 CIFAR-10/100 数据集上也优于现有的模型，进一步分析了该方法对于遮挡图像的分类的鲁棒性，并展示了显著的分类性能。

    Nov, 2015