Dec, 2022

NeuS2: 多视角重建的神经隐式曲面快速学习

PDF
TL;DR提出了一种快速的神经表面重建方法，称为 NeuS2，通过将多分辨率哈希编码集成到神经表面表示中，实现了两个数量级的加速，并通过 CUDA 实现了整个算法。该方法不仅提高了表面重建的准确性，还能有效地解决神经表面表示的训练时间长的问题，特别是在动态场景下。
发现论文，激发创造
  • 基于体渲染学习神经隐式曲面的多视角重建

    该研究提出了一种新颖的神经表面重建方法 NeuS，将表面表示为带符号距离函数的零水平集，并开发了一种新的体积渲染方法来训练神经 SDF 表示，自主进行高保真度的物体和场景三维重建。

    Jun, 2021

  • SparseNeuS: 基於稀疏視角的快速通用神經表面重建

    SparseNeuS 是一种基于神经渲染的表面重建方法，采用有符号距离函数（SDF）作为表面表示，通过几何编码体引入图像特征的通用先验知识进行预测，在利用稀疏视图进行高质量重建时采用了多级几何推理框架、多尺度颜色融合方案和一致性感知微调。实验证明了该方法在速度、泛化性能和灵活性方面均表现出优越性。

    Jun, 2022

  • 点引导的神经隐式表面重建：体积渲染

    利用点引导机制实现精确和高效的多视图重建，通过优化神经投影模块和隐式表面表示，提高面向细节和光滑区域的高质量曲面重建，并且对噪声和稀疏数据具有很强的鲁棒性。

    Oct, 2023

  • NoPose-NeuS：联合优化相机姿态与神经隐式表面的多视图重建

    NoPose-NeuS 是一种将 NeuS 扩展到联合优化相机姿势、几何和颜色网络的神经隐式表面重建方法，通过将相机姿势编码为多层感知器 (MLP) 并引入多视图特征一致性和渲染深度损失，约束学习到的几何来获得更好的相机姿势和场景表面估计。DTU 数据集上的广泛实验表明，该方法能够估计相对准确的相机姿势，同时保持高质量的表面重建，平均 Chamfer 距离为 0.89。

    Dec, 2023

  • HF-NeuS: 使用高频细节改进表面重建

    本文提出了 HF-NeuS 方法，在神经渲染中改善了表面重构的质量，首先通过建立透明度函数与 SDF 的关系，将透明度作为变换后的 SDF 来建模，并采用粗到细的策略将 SDF 分解成基函数与偏移函数，最后设计了自适应优化策略，使得训练过程更加关注表面附近存在微小差错的区域，从而获得了比现有技术更好的表面重构质量。

    Jun, 2022

  • PR-NeuS：一种基于先验的残差学习范例，用于快速多视角神经表面重建

    通过引入基于先验的残差学习范式以及哈希编码网络，提出了一种快速多视角神经表面重建方法，实验结果表明仅需约 3 分钟即可重建单个场景的表面，同时保持了竞争性的表面质量。

    Dec, 2023

  • SC-NeuS：从稀疏和嘈杂视角进行一致的神经表面重建

    本文提出了一种名为 SC-NeuS 的联合学习策略，该策略利用多视角约束从稀疏视图中恢复连续表面重建，并获得了比现有的神经表面重建方法更好的重建结果。

    Jul, 2023

  • FastMESH：基于六边形网格神经渲染的快速曲面重构

    该论文提出了一种称为 FastMESH 的有效的基于网格的神经渲染方法，通过采用六边形网格模型以及基于粗到细的空间切割方案，可以在快速训练的同时，实现更好的重建和新视角合成效果。

    May, 2023

  • 透过玻璃：针对高镜面反射的神经表面重建

    本研究提出了一种新颖的 NeuS-HSR 表面重建框架，基于隐式神经渲染，通过对高度镜面反射的干扰的降低，与物理假设相结合的新颖辅助平面模块的设计，来实现对目标表面的精确重建，并在合成和实际数据集上进行广泛的实验来验证其性能。

    Apr, 2023

  • ActiveNeuS: 使用神经隐式表面不确定性的主动三维重建

    提出了一种名为 ActiveNeuS 的方法，该方法在选择视图时考虑了不确定性，通过同时计算图像渲染不确定性和神经隐式曲面不确定性，避免了稀疏输入训练阶段引入的偏差，通过使用曲面信息和格点高效地选择多样的视点，提升了 3D 场景重建的性能。

    May, 2024