Feb, 2023

因子场：神经场及其拓展的统一框架

PDF
TL;DR提出了一种新的信号建模和表示框架 Factor Fields，将信号分解为一组因子，每个因子由神经场表示或正则场表示操作于坐标变换的输入信号，该框架比现有的几种信号表示方法更通用，可提高信号的逼近质量、紧凑性和效率，并且可以实现共享基础的广义化方法。
factor fieldssignal representationsneural field representation3d signed distance fieldsfast reconstruction methods
发现论文，激发创造
  • 混合神经场的规范因子

    通过学习一组规范化变换来消除神经场建模中所引入的偏差，我们提出了 TILTED 架构，该架构可以改善表示的效率，并在图像、有符号距离和亮度场重建任务中表现出质量、鲁棒性、紧凑性和运行时间方面的提升。

    Aug, 2023

  • ResFields：用于时空信号的残差神经场

    提出了一种将时间残差层引入神经场的有效方法，用于表示复杂的时间信号，通过降低可训练参数数量和增强泛化能力的矩阵分解技术，实现了对 2D 视频逼近、通过时间 SDFs 进行动态形状建模和动态 NeRF 重建等各种具有挑战性任务中结果的稳定提升，并通过展示其在轻量级捕获系统的稀疏传感输入中捕获动态 3D 场景的实际效果证明了 ResFields 的实用性。

    Sep, 2023

  • 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

  • BANF：用于详细层次重建的带限神经场模型

    通过简单修改，我们可以获得经过低通滤波的神经场，并展示如何利用此技术获得整个信号的频率分解，从而有效地计算出更粗糙的表示形式。

    Apr, 2024

  • 如何训练神经场表示：一项全面研究与基准测试

    使用基于 JAX 的库 fit-a-nef，对神经场（NeFs）进行了全面的研究，研究了不同超参数对下游任务的影响，并提出了神经场竞技场作为基准测试集，以进一步研究神经领域。

    Dec, 2023

  • 通过分解神经场表示可动化头像

    使用双分支网络和体积渲染生成照片级逼真的 3D 人体图像，通过限制频率分量和观察帧一致性，实现了保留高频细节和确保身体轮廓一致性的高保真度人体 3D 模型重建。

    Jun, 2024

  • Reg-NF: 神经场中隐性表面的高效配准

    本研究采用神经场进行注册，通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换，实现连续隐式表示的多个神经场的注册，同时讨论神经场在无约束环境中的应用挑战和未来研究方向。

    Feb, 2024

  • TensoRF: 张量辐射场

    TensoRF 采用 4D 张量模型和基于 CP 分解和 VM 分解等技术去重构辐射场，实验结果表明在提高渲染质量的同时保持较小模型大小和更短的重构时间。

    Mar, 2022

  • 基于 3D 神经场的深度学习

    本文提出了 nf2vec 框架，用于在单次推断中为输入的神经场生成紧凑的潜在表示，展示了将其嵌入到深度学习流程中并成功解决各种任务的有效性。

    Dec, 2023

  • NeuRBF：具有自适应径向基函数的神经场表示

    我们提出了一种新型的神经场，使用了一般径向基函数进行信号表示。该方法相比于现有的神经场方法，能够更好地适应目标信号，提高径向基函数的通道能力，并且通过混合自适应的径向基函数和基于网格的径向基函数，继承了自适应性和插值平滑性，取得了比现有方法更高的精确度和紧凑性。在 2D 图像和 3D 有向距离场表示中的实验证明了我们方法的优越性，并且在神经辐射场重建方面，我们的方法实现了与现有方法相媲美的渲染质量，具有较小的模型大小和可比较的训练速度。

    Sep, 2023