ECCVJul, 2022

AdaNeRF：用于神经辐射场实时渲染的自适应采样

PDF
TL;DR本文提出了一种新颖的双网络架构来学习减少所需样本点的数量，以实现高质量的神经表示，该方法优于现有的紧凑神经表示，可以实时渲染图像。
neural radianceview synthesisrenderingdual-network architecturereal-time
发现论文，激发创造
  • 高效射线采样用于辐射场重建

    通过改进射线采样方法，在保持真实感渲染结果的同时提高了神经辐射场训练的效率，加快了神经网络的收敛速度并更准确地感知场景的空间几何结构。

    Aug, 2023

  • NeuSample: 面向高效视图合成的神经样本域

    本文介绍了一种名为 NeuSample 的新型神经采样场，用于生成 3D 场景，实现了更好的渲染质量并在推理速度上提升了性能。

    Nov, 2021

  • 利用神经辐射分布场进行高效视图合成

    提出了一种名为 NeRDF 的新表示方法，旨在实现实时的高效视图合成，通过基频和频率权重的网络预测实现单像素每次只进行一次网络转发，并通过辐射分布进行体素渲染计算，相比现有方法在速度、质量和网络尺寸方面具有更好的权衡，实现了与 NeRF 相似的网络大小下约 254 倍的加速。

    Aug, 2023

  • NeRF 详解：学习采样进行视图合成

    作者提出了基于可微分不可视模块的 NeRF-ID 方法，该方法可以优化粗到精的采样策略，得到比 NeRF 和当前最先进算法更好的视图合成质量，并且显著降低计算时间。

    Jun, 2021

  • 自适应多 NeRF：利用自适应多尺度神经辐射场渲染中的高效并行性

    通过将场景自适应地细分为轴对齐的包围盒，并使用树层次结构方法将较小的 NeRF 分配给不同大小的子空间，该论文提出了一种有效的适应性多 NeRF 方法，以加速针对复杂场景的神经渲染过程，以实现对特定场景部分的精细神经表示。

    Oct, 2023

  • 学习神经双工辐射场进行实时视图合成

    本篇论文提出了一种新的方法，通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示，使用屏幕空间卷积，来提高外观的质量和整个框架的表现。

    Apr, 2023

  • NeuRAD：用于自动驾驶的神经渲染

    NeuRAD 是专为动态自动驾驶数据量身定制的强大的新视图合成方法，具有简单的网络设计、广泛的传感器建模和适应多个数据集的能力，并在多个领域取得了最先进的性能。

    Nov, 2023

  • 使用光线空间嵌入网络学习神经光场

    本文提出了一种紧凑且直接预测射线上积分辐射度的新型神经光场表示方法，支持小基线光场数据集每像素一次网络评估的渲染，并可应用于大基线场景。

    Dec, 2021

  • DONeRF: 使用深度预测网络实现紧凑神经辐射场的实时渲染

    该论文提出了一种名为 DONeRF 的紧凑型深度预测神经网络设计，通过将样本放置在场景中的表面上，不会损失图像质量的前提下，可将每个视角光线所需的样本数量大大降低，在渲染合成内容时，相比 NeRF 减少了高达 48 倍的推理成本。

    Mar, 2021

  • 利用神经辐射场实现实时视图合成

    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