SiNeRF: 基于正弦函数的神经辐射场用于联合姿态估计和场景重建
本论文提出了单视角 NeRF 框架 (SinNeRF),通过引入半监督的学习过程,利用几何标签和语义标签指导训练过程,成功实现了仅通过单个视图将神经辐射场训练到现实场景,即使在不进行多视图数据集预训练的情况下,SinNeRF 可产生逼真的新视图综合结果。
Apr, 2022
iNeRF 是一种基于 “倒置” 神经辐射场(NeRF)的框架,它可以通过合成图像与观察图像像素之间的残差最小化来实现无网格姿态估计。实验表明,iNeRF 可以应用于复杂的真实场景中,还可以执行目录级别物体姿态估计。
Dec, 2020
Neural Radiance Field (NeRF) is a framework representing a 3D scene with MLP, achieving state-of-the-art photorealistic image renderings for view synthesis and expanding capabilities to generate views from dynamic scene representations with fewer images for training.
Apr, 2023
SfMNeRF 提出了一种基于神经辐射场的方法,结合自监督深度估计方法对样本进行重构,同时利用极线和光度一致性等约束构建 3D 场景几何图像,提高了神经辐射场的表现,实现了更好地合成新视角。
Apr, 2023
通过 NeRF 的方法来实现对于图像的 View Synthesis, 本文提到了 NeRF 的成功之处以及在应用于大规模无界三维场景中进行改进,使其在 360° 的拍摄模式下提高拍摄质量。
Oct, 2020
本文提出了 SurfelNeRF,这是一种基于神经辐射场的新型算法,将灵活可扩展的神经 Surfel 表示与 NeRF 渲染结合起来,用于高效的在线重建和高质量渲染大规模室内场景,并通过高效的可微栅格化方案实现了 10 倍的速度提升,并在 ScanNet 数据集上实现了最先进的结果。
Apr, 2023
该研究通过提出 Enhance-NeRF 模型,增强神经放射场(NeRF)在虚拟现实和增强现实等领域的三维重建应用,改进了场景识别和学习能力,有望广泛应用于照明、材质和形状的室外场景重建,具备插拔式的易用性,并能够与其他 NeRF-based 模型轻松集成。
Jun, 2023
本文提出了一种新的街景神经辐射场模型(S-NeRF),它考虑了大规模背景场景和前景移动车辆的新视角合成,通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题,并使用嘈杂和稀疏的 LiDAR 点来提高训练的鲁棒性和减少深度奇异值出现的情况。我们的 S-NeRF 模型在各种大规模驾驶数据集上的实验证明了它优于现有最先进方法在街景合成中减少了 7%至 40%的均方误差,并在移动车辆渲染的 PSNR 方面获得了 45%的增益。
Mar, 2023
该研究提出了 NeRFReN,它是基于 NeRF 的,能够建模带有反射的场景,并将场景分为透射和反射组件,用单独的神经辐射场来建模两个组件,以实现高质量的新视图综合和深度估计结果。
Nov, 2021