神经辐射场的配对对齐
通过使用 DReg-NeRF 方法,我们能够在不需要人为干预的情况下解决对象中心场景的 NeRF 注册问题,并通过构建一个新颖的视图综合数据集进行训练,从而在测试集上显著超过目前最先进的点云注册方法。
Aug, 2023
本文提出了一种基于像素灵活对齐以及帧级约束参数对齐的局部到全局检测方法 L2G-NeRF,该方法能够成功解决通过细节学习的 3D 表示及相机对齐的约束因素对神经辐射场的应用所带来的巨大限制。
Nov, 2022
本文提出了一种使用预训练的 NeRF 模型对 3D 场景进行对齐的方法,该方法通过将传统的关键点检测和点集对齐的流程应用于 3D 密度场来实现。为了在 3D 中描述角点作为关键点,我们建议使用通用的预训练描述符生成神经网络。通过对比学习策略,可以方便地训练描述符网络。我们的方法作为全局方法可以有效地注册 NeRF 模型,从而使未来的大规模 NeRF 构建成为可能。
May, 2023
本研究介绍了一种新的 NeRF 注册方法,利用 Viewshed Fields 在没有摄像机位置信息的情况下,实现了对两个 NeRFs 之间的刚体注册,并在多个数据集上进行了验证,取得了具有领先地位的结果。
Apr, 2024
描述了一种基于神经辐射场的方法,通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景,旨在生成高度逼真的渲染图像。实验表明,该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型,并在任意视点产生高保真度的视图。
Nov, 2020
本研究提出使用神经辐射场(NeRF)作为视觉定位的场景表示,通过利用 NeRF 的内部特征建立精确的 2D-3D 匹配来提升定位性能。通过研究 NeRF 的隐式知识和探索不同的匹配网络架构、提取多层的编码器特征以及多种训练配置,引入了 NeRFMatch 作为高级的 2D-3D 匹配函数,并在 Cambridge Landmarks 等标准定位基准上取得了业界领先的定位性能。
Mar, 2024
本文介绍了一种名为 NeRFuser 的架构,它可以在不需要访问大量用于生成它们的图像集的情况下,对 NeRF(神经辐射场)进行注册和混合。NeRFuser 使用 re-rendering 技术进行注册,提出了基于采样的反距离加权进行混合,经实验证明具有鲁棒性。
May, 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
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
我们提出了一种新颖的方法,通过利用神经辐射场(NeRFs)从二维监督中进行三维语义分割,通过提取表面点云上的特征,实现了场景的紧凑表示,这种表示对于三维推理而言具有高效的采样并且适于少样本分割。我们的方法不依赖于场景参数化,可以适用于任何类型的 NeRF 场景。
Oct, 2023