ECCVJul, 2022

神经密度 - 距离场

PDF
TL;DR该论文提出了一种新的三维表示方法 Neural Density-Distance Field (NeDDF)，同时约束距离场和密度场，从而实现了稳健的初始化和高质量的配准，并在新视角合成方面达到了与 NeRF 相当的结果。
neural fieldsvisual localizationneural density-distance fielddistance field-based methodsnovel view synthesis
发现论文，激发创造
  • 幕后之王：用密度场进行单视角重建

    该研究提出使用隐式密度场而非神经辐射场作为图像的几何场景表示，通过自监督训练神经网络能够在单个前向传递中预测该场景表示，并且可以在深度预测和新视角合成方面进行体积渲染。实验表明，该方法能够预测出输入图像中遮挡区域的有意义几何信息。

    Jan, 2023

  • 神经无符号距离场用于隐函数学习

    本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。

    Oct, 2020

  • 基于三维密度梯度的神经辐射场（NeRFs）边缘检测用于几何重建

    利用密度梯度和边缘检测滤波器生成几何三维重建，以实现在物体表面高几何精度和显著物体完整度之间取得正确与完整的平衡。

    Sep, 2023

  • NeSLAM：神经隐式映射与自监督特征跟踪（配以深度补全和去噪）

    通过使用神经辐射场 (NeRF) 和密集 RGB-D SLAM 系统，我们提出了 NeSLAM 框架，能够进行准确的深度估计、鲁棒的相机跟踪和逼真的新视图合成，从而解决了由消费级 RGB-D 传感器获取的稀疏且嘈杂的深度图带来的重建和几何场景表达不准确的挑战，并在各种室内数据集上验证了系统在重建、跟踪和新视图合成方面的有效性和准确性。

    Mar, 2024

  • 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

  • 基于射线的形状表示的概率定向距离场

    在现代计算机视觉中，3D 形状的最佳表示仍然是任务依赖的。本文介绍了一种新颖的神经形状表示 —— 有向距离场（DDFs），以及使用 DDFs 在多个应用领域的应用，包括单形状拟合、生成建模和单图像 3D 重建。DDFs 具有高效的可微分渲染能力，并能从单个像素的前向传递中获得深度以及从额外的反向传递中提取微分几何量（如表面法线），展现出了简单架构组件的强大性能。

    Apr, 2024

  • 基于双重神经辐射场的室内环境的 3D 重建和新视角合成

    该研究论文提出了一种名为 Du-NeRF 的双重神经辐射场方法，可同时实现高质量的几何重建和视角合成，大大改善了室内环境下的新视角合成和三维重建性能，并对不服从多视角颜色一致性的细几何构造尤为有效。

    Jan, 2024

  • 用闭式色彩估计方法减少辐射场中的形状 - 辐射模糊

    该论文提出了一种更适应性的方法来减少神经辐射场中的形状 - 辐射模糊问题。关键在于只基于密度场进行渲染的方法，通过估计基于密度场和姿态图像的颜色场并应用于规范化神经辐射场的密度场，从而改善了神经辐射场的密度场质量和数量。

    Dec, 2023

  • 从航空影像进行深度监督的神经表面重建

    通过将深度先验与 Neural Radiance Fields（NeRFs）相结合，我们调查了 NeRFs 在航空图像块表示不同特征的能力，并将其与公开可用的航空图像基准数据集的结果进行了比较。

    Apr, 2024

  • 基于神经有向距离场的结构光系统深度重建

    我们介绍了一种新颖的基于神经隐式表示法的多帧结构光设置深度估计技术。通过自我监督的可微分渲染训练神经符号距离场（SDF）。与被动视觉不同，我们利用结构光系统中通过投影模式已知的辐射场，实现几何场的独立优化，确保固定设备定位下的收敛性和网络有效性。为了提高几何保真度，我们在训练过程中引入了基于物体表面的额外颜色损失。实际实验表明，我们的方法在少样本情景下在几何性能上具有优越性，并且在增加模式可用性的情况下实现了可比较的结果。

    May, 2024