Jun, 2022

MonoSDF: 探索单目几何线索用于神经隐式曲面重建

PDF
TL;DR通过 monocular geometry prediction 预测的深度和法向量提示显着提高神经隐式表面重建的质量和优化时间，特别是在大规模复杂场景下，独立于表征的选择。
neural implicit surface reconstructionmulti-view 3d reconstructionmonocular geometry predictiondepth and normal cuesmlp models
发现论文，激发创造
  • HumanRecon: 利用几何线索和物理先验的动态人体神经重建

    利用几何约束和物理先验来提高动态人体重建的质量和稳定性，实现更准确的图像和新视角合成。

    Nov, 2023

  • Geo-Neus: 多视角重建的几何一致神经隐式曲面学习

    该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

    May, 2022

  • NeuSurf：基于表面先验的稀疏输入视图下的神经表面重建

    利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。

    Dec, 2023

  • 基于法向引导的高保真三维曲面重建的神经隐式函数

    通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

    Jun, 2024

  • DebSDF: 研究神经室内场景重建的细节和偏差

    本文提出了 DebSDF，旨在解决多视角图像室内场景中由于纹理缺乏和领域差异导致的误差问题，并通过不确定性建模、重要性引导射线采样以及有偏的密度变换等方法改进了细节重建，实验证明了其在重建室内场景中细结构方面的优越性。

    Aug, 2023

  • NC-SDF：使用具有视角相关法向量补偿的神经 SDF 增强室内场景重建

    基于神经隐式表面表示的 3D 重建框架 NC-SDF，通过视角缺陷的学习和修正，提高了重建的全局一致性和局部细节，并通过信息丰富的像素采样策略和混合几何建模方法进一步改善了重建质量。

    May, 2024

  • 利用掩模引导的自适应一致性约束改善神经室内表面重建

    通过两阶段训练过程、解耦视角相关与视角无关颜色、借助两个新的一致性约束来提高详细重建性能，同时引入关键的掩码方案以自适应地影响监督约束的选择，从而改善自我监督范式下的性能，在合成和真实世界数据集上的实验证明了降低先验估计错误干扰和实现高质量场景重建的能力，并保留了丰富的几何细节。

    Sep, 2023

  • 无 3D 监督的多视角图像神经三维场景重建

    本文提出了一种新的神经重建方法，使用可访问的 2D 图像作为监督来进行 3D 场景重建，其中通过引入二进制带注符号距离函数、色彩场和概率场等方法实现了场景的重建，并引入了几何和平面约束以实现对场景复杂几何区域和低纹理区域的重建。

    Jun, 2023

  • 利用多个先验条件进行神经网络 3D 室内重建

    我们提出了一种新颖的神经隐式建模方法，利用多种正则化策略在仅依赖图像的情况下实现大型室内环境的更好重建，通过稀疏但准确的深度先验将场景锚定到初始模型，并引入一种密集但精度较低的深度先验，灵活性足以让模型从中分离出来改善估计的几何建模，并提出了一种新颖的自监督策略来规范估计的表面法线，最后，可学习的曝光补偿方案适应复杂的光照条件。实验结果表明，我们的方法在具有挑战性的室内场景中产生了最先进的 3D 重建结果。

    Sep, 2023

  • 彩色神经隐性曲面重建

    本文主要研究目标是在计算机视觉中从多视图图像或单目视频中重建物体表面，作者通过将网格结构与颜色相结合的方式，在去除视角相关颜色的同时通过重新照明网络保持体积渲染性能，通过有向距离函数网络提取表面的网格，并从全局颜色网络获取每个表面顶点的颜色，结果表明该方法在物体扫描任务和公开数据集上的性能优于现有方法。

    Aug, 2023