Jun, 2022

辐射场重建的改进直接体素网格优化

PDF
TL;DR本文介绍了一个基于 Pytorch 的 DVGOv2 框架，通过使用 cuda 对部分 Pytorch 操作重新实现，扩展支持 Forward-facing 和 Unbounded Inward-facing capturing，并优化了由 mip-NeRF 360 提出的失真损失的时间和空间复杂度，从而使质量和训练速度都得到提升。
发现论文，激发创造
  • 基于体素格优化的辐射场重建：超快收敛

    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

  • Ref-DVGO：反射感知的直接体素网格优化，实现反射场景重构的质量与效率权衡改善

    我们研究了一种基于隐式 - 显式方法的密度场重建和渲染的方案，以在处理反射场景时在效率和质量之间取得均衡，并提出了关于影响重建反射对象结果的因素的假设。

    Aug, 2023

  • VGOS: 稀疏输入视图合成的体素网格优化

    本研究提出了一种名为 VGOS 的方法，通过 voxel-based radiance field 技术来快速重建稀疏输入（3-10 视角）下的辐射场，该方法采用了增量训练策略和正则化技术，以达到防止过拟合和平滑的效果，实验证明 VGOS 在超快速收敛下达到了稀疏输入情景下的最佳表现。

    Apr, 2023

  • 高保真 RGB-D 监督表面重建的动态体素网格优化

    介绍了一种新的基于动态网格优化的高清晰度 3D 表面重建方法，其中包含 RGB 和深度观测，该方法能够在维持计算效率的同时，在合成和真实数据上生成细节丰富的高质量 3D 重建。

    Apr, 2023

  • 神经可形变体素网格用于快速优化动态视角合成

    本文提出了一种基于先进的体素网格优化的快速变形辐射场方法来处理动态场景，该方法包括两个模块，采用变形网格存储动态特征和密度和色彩网格来模拟场景几何和密度，并将遮挡进行显式建模以进一步提高渲染质量。实验结果表明，本方法在仅用 20 分钟的训练时间下，达到了与 D-NeRF 相当的性能，比 D-NeRF 快 70 倍以上，显示了该方法的高效性。

    Jun, 2022

  • 学习不可靠性：利用相对几何一致性进行快速的少样本体素辐射场

    使用基于体元的优化框架 ReVoRF，针对伪新视图合成中的不可靠性问题，利用相对深度关系和绝对颜色值之间的权衡，通过双边几何一致性损失和可靠性引导学习策略，实现了对数据的更细粒度利用和增强重建质量，显著提高效率和准确性。

    Mar, 2024

  • 利用 VDB 网格和分层光线追踪加速基于占据格的 NeRF 渲染

    使用两种技术改进射线追踪的效率，通过用变分网格替换密集网格和使用分层数字微分分析器追踪体素，成功加速渲染 NeRF 数据集，而不损失渲染图像的质量。

    Apr, 2024

  • 具有时间感知的快速动态辐射场神经体素

    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

  • Zip-NeRF: 基于格点的反锯齿神经辐射场

    使用渲染和信号处理中的思想，将 mip-NeRF 360 和基于网格的模型相结合，使误差比之前的技术低 8%-76%，并且训练速度比 mip-NeRF 360 快 22 倍。

    Apr, 2023

  • DiffRF: 基于渲染引导的 3D 辐射场扩散

    DiffRF 是一种针对三维辐射场合成的新方法，利用去噪扩散概率模型生成体积辐射场。通过将去噪公式与渲染损失配对，我们的模型可以学习偏态先验，使其倾向于良好的图像质量而不是试图复制浮动伪像等拟合误差。与 3D GAN 相比，我们的扩散方法自然地实现了条件生成，例如掩蔽完成或推理时的单视图 3D 合成。

    Dec, 2022