SAMURAI:利用不受约束的真实世界的图像集获取外形和材料
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
本文介绍了一种基于神经网络的方法来从单张图片中估计物体的3D形状和外观,将其分解成形状和外观两个隐变量,通过优化这两个变量和网络参数,可以精准地还原输入物体,并能够处理训练领域之外的真实图像。
Feb, 2021
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
本文提出了一种名为LU-NeRF的方法,通过利用放松姿态配置的放松姿态配置来同时估计相机姿态和神经辐射场, 通过局部到全局的优化和姿态同步等步骤, 在一般的SE(3)姿态设置下,无需对姿态先验进行强制约束,相比先前无姿态配置进行的NeRF试验表现更佳,这也使得其为特征基于的SfM管道提供了互补的选择。
Jun, 2023
该研究论文提出了一种称为MC-NeRF的方法,能够联合优化束调整神经辐射场的内参和外参参数,解决了多相机系统的挑战,并提供了一个有效的校准图像采集方案,实现了不提供初始姿势的三维场景表示。
Sep, 2023
使用UP-NeRF(无约束姿势先验的神经辐射场)优化NeRF以处理无约束图像集合和瞬态遮挡,通过优化颜色不敏感特征场和独立模块来处理瞬态遮挡,实现更鲁棒的姿势估计及深度监督。在具有挑战性的互联网照片集合(Phototourism数据集)中,我们的方法相比基准方法如BARF及其变体表现出优越性能。
Nov, 2023
Neural Radiance Fields (NeRF) training is optimized using Incremental CONfidence (ICON) without prior pose initialization, leading to superior performance in CO3D and HO3D compared to methods relying on Structure-from-Motion (SfM) pose.
Jan, 2024
本研究解决了使用少量未标定场景图像进行 NeRF 重建的问题,提出利用常见日常物体作为“姿态探针”的新方法。通过自动分割探针物体并采用双分支体积渲染优化,该方法在多个数据集上展现了卓越的姿态估计和新视图合成性能,特别在 COLMAP 努力不够的少视图和大基线场景中表现突出。
Aug, 2024
本研究解决了在少量非姿态图像的情况下进行NeRF重建的问题。通过创新性地利用日常物体作为“姿态探针”,研究提出了一种使用双分支体积渲染优化的全新方法。实验结果表明,PoseProbe在姿态估计和新视图合成方面达到了最先进的性能,特别是在特征稀疏和大基线场景中,表现优越。
Aug, 2024