Oct, 2022

S$^3$-NeRF：单视角下通过遮挡和阴影得出的神经反射场

HTML
PDF
TL;DR利用单视图图像下不同点光源捕捉来学习神经场景表示，利用阴影和明暗等单目线索推断场景几何，并学习神经反射场，用于代表场景3D几何和BRDF。实验表明，该方法能够从单视图图像中恢复场景的3D几何，包括可见和不可见部分，适用于新视角合成和再照明等应用。
发现论文，激发创造
  • 通用反射光度立体的神经反渲染

    本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。

    Feb, 2018

  • 稀疏多视图图像抓取的深度 3D 捕获：几何和反射

    本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的BRDF，通过最小化光度误差优化多视角反射率网络的潜在空间，成功地实现了从稀疏数据中重建出高质量的物体，进而渲染出真实的图像。

    Mar, 2020

  • 神经反射场的外观获取

    本研究提出了一种新的深度场景表示方法——神经反射场，该方法使用全连接的神经网络编码场景中任意3D点的体密度、法线和反射属性，并将其与可微分的物理模型相结合，从而能在任意视点和光照条件下渲染图像，实现高质量的视角合成和照明重建。

    Aug, 2020

  • 立体辐射场（SRF）：学习稀疏视角下的新颖场景综合

    本文提出了一种名为Stereo Radiance Fields(SRF)的新的神经视图合成方法，它从输入的立体图像编码中预测每个3D点的颜色和密度，且只需要较少的稀疏视图作为输入，可广泛适用于不同场景。实验表明，SRF方法学习了结构而非过拟合，且10-15分钟的微调后比现有的场景特定模型具有更好的视觉效果。

    Apr, 2021

  • NeRFactor: 在未知光照情况下进行形状和反射的神经因子分解

    通过 NeRFactor 方法，通过多视图图像恢复物体的形状和空间变化的反射率，从而实现在任意环境光照下呈现物体的新视图和编辑物体材料属性。

    Jun, 2021

  • NeRS: 野外环境下稀疏视角3D重建的神经反射表面

    本文介绍了一种基于表面模型的神经重建方法 Neural Reflectance Surfaces (NeRS)，通过表面重建和双向反射分布函数 (BRDF) 学习了拍摄对象的形状、漫反射颜色和镜面高光等参数，适用于多角度拍摄的实际场景数据。

    Oct, 2021

  • NeRFReN: 具有反射特性的神经辐射场

    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

  • 从多视角几何学中学习神经辐射场

    MVG-NeRF 组合了传统的多视角几何算法和神经辐射场 (NeRF) 用于基于图像的三维重建。我们提出使用像素级深度和法线来引导 NeRF 优化，以提高所估计表面的质量。实验结果表明，该方法可以从图像中获取干净的三维网格，同时在新视角合成方面具有竞争力的表现。

    Oct, 2022

  • SceneRF: 用 Radiance Fields 进行自监督单目 3D 场景重建

    本论文提出了SceneRF方法，采用自监督单目场景重建方法，只用图像序列进行训练，优化辐射场，生成新的深度视图，并成功应用于室内BundleFusion和室外SemanticKITTI的场景重建中，超越了最近的基线

    Dec, 2022

  • UniSDF：统一神经表示用于具有反射的复杂场景的高保真度3D重建

    提出了UniSDF，一个可以重建具有反射表面的大规模复杂场景的通用3D重建方法。通过在3D空间中明确混合视图和反射颜色预测参数化技术，使得重建的表面在几何上更准确，特别是对于反射表面。通过与多分辨率网格主干结合，该方法以粗糙到精细的方式进行训练，实现比以前的方法更快的重建速度。大量实验表明，该方法能够稳健地重建具有精细细节和反射表面的复杂大规模场景。

    Dec, 2023