本文提出了一种使用压缩方法从紧凑的角度追求较小体积的神经辐射场的简单而有效的框架,该方法利用网格模型固有的代表特性,开发了非一致压缩方法以显着减少模型复杂性,并引入了名为 “神经码书” 的新颖参数化模块,通过快速优化来更好地编码每个场景模型的高频细节,从而实现对网格模型存储量的超过 40 倍的减少,在具有竞争性的渲染质量和 180 fps 的实时渲染速度的同时,相对于实时渲染方法而言具有存储成本的显著优势。
May, 2023
本文提出了 HDR-Plenoxels,一种用于重建高动态范围 3D 辐射场的体素化方法,并且通过模拟数字相机成像管道,能够从仅有的 LDR 图像中渲染出高质量 HDR 图像,实验结果表明 HDR-Plenoxels 适用于各种不同摄像机的场景。
Aug, 2022
基于 NeRFs 的成功,近年来在新颖视角合成领域取得了显著进展。然而,虽然视图合成模型在视觉上看起来很真实,但其底层的 3D 模型通常是错误的,这限制了它们在实际应用中的有效性。本技术报告介绍了视图合成模型和 3D 重建模型之间的关键区别,并指出了使用深度传感器进行准确几何建模的重要性。通过扩展 Plenoxel 辐射场模型,我们对基于 RGB-D 数据的辐射场密集建图和跟踪任务提出了一种分析微分方法,实现了优于竞争神经网络方法的最新成果,并具有更快的速度。
Jul, 2023
该研究提出了一种使用 PlenOctrees 进行神经辐射场(NeRFs)实时渲染的方法,以支持视角相关的效果,该方法可在保证渲染质量的情况下渲染 800x800 像素以上的图像,并能在 150 FPS 以上的速度下运行。
Mar, 2021
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
我们提出了一种超快速收敛的方法,通过从拍摄场景的一组图像中重建场景辐射场来最新的视点合成,该方法采用密度体素网格表示场景几何和 shallow network 表示复杂的视角相关的外观,同时采用了后激活插值和一些先验约束技术,从而使训练时间缩短到 15 分钟以内,并达到了前沿的质量水平。
Nov, 2021
该论文提出了一种名为 Sparse Neural Radiance Grid 的新方法,它使用学习的稀疏体素网格表示,通过对神经辐射场(Neural Radiance Fields)进行预处理和存储(烘焙)来实现实时渲染。通过该方法,可以在以往的基础上保留了 NeRF 渲染精细几何细节和视图相关外观的能力,实现在普通硬件上进行实时渲染。
本文提出了一种利用 3D Voxel 建模 4D 神经辐射场的方法,即 V4D, 并使用 LUTs 格式和条件位置编码来改进新视图综合任务的表现,实验表明该方法在低计算成本下取得了最先进的表现。
May, 2022
VoxNeRF 是一种利用体积表示增强室内视图合成质量和效率的新方法,通过构建结构化场景几何并将其转换为基于体素的表示,以及采用独特的基于体素引导的高效采样技术,成功地提高了视图合成的效果。VoxNeRF 在速度上甚至超越了 Instant-NGP,推动了该技术向实时化发展。
Nov, 2023
神经辐射场通过平滑过渡体积 - 表面渲染方法,在加速渲染速度的同时提高视觉保真度,并能够通过提取的网格包络应用于动画和仿真等下游应用。