TensoRF: 张量辐射场
介绍了一种称为 TiNeuVox 的辐射场框架,通过时间感知体素特征表示场景,进一步强化了时间信息,提出了多距离插值方法,以模拟小和大的动作,加快了动态辐射场的优化,并在合成和真实场景上经过实证评估,表现出与之前动态 NeRF 方法相似甚至更好的渲染性能。
May, 2022
提出了一种名为 Strivec 的新型神经表示方法,将 3D 场景建模为稀疏分布且紧凑分解的局部张量特征网格辐射场,并使用 CANDECOMP/PARAFAC(CP)分解和多尺度张量网格来实现对几何和外观的发现与利用,优于之前的方法并使用更少的参数。
Jul, 2023
本研究提出了一种基于张量分解的显式神经场表示法,通过采用低秩近似的策略及动态调整模型的秩来实现精细度和模型大小的权衡,并可以将不同的模型进行组合从而达到压缩和构图能力的提升。
May, 2022
SatensoRF 通过多尺度张量分解方法对卫星图像进行光场建模,优于传统的 Hierarchical MLP-based 场景表示,有效解决多时相一致性问题,并在新视角合成性能上超越了现有的 Sat-NeRF 系列模型。
Sep, 2023
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。
Mar, 2021
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
该论文提出了一种新颖的自适应表示方法,即基于四面体和 Delaunay 表示的方法,用于 Neural Radiance Fields,该方法在视角合成和三维重建方面具有最先进的结果。
Apr, 2023