Hyb-NeRF 是一种新颖的神经辐射场，具有多分辨率混合编码，实现了高效的神经建模和快速渲染，同时允许高质量的新视角合成。它通过从粗到细的分辨率级别使用不同的编码策略来表示场景，并利用可学习的位置特征以及基于哈希的特征网格的快速优化速度和局部细节。此外，为了进一步提高性能，还将锥形跟踪特征嵌入到可学习的位置编码中，消除了编码的歧义性并减少了走样伪影。广泛的合成和实际数据集实验证明，与以往最先进方法相比，Hyb-NeRF 在更快的渲染速度、更好的渲染质量和更低的内存占用方面取得了优势。

Nov, 2023

这篇论文介绍了 Hash Color Correction（HashCC），一种轻量级的改善神经辐射场图像渲染质量的方法。HashCC 不需要每张图像的相机位置，所以适用于相机位置未知的情况。

May, 2023

准确估计对象的姿态在计算机视觉和机器人领域是一项关键任务。本文分析了现有方法的局限性，并提出了克服这些局限性的新策略。我们使用了高频成分的位置编码来解决几何表示模糊的问题，并引入了一种基于规范化图像平面的多参考点迭代细化策略来解决细化方法中的局部最小值问题。最后，我们利用自适应实例归一化和简单的遮挡增强方法帮助模型聚焦于目标对象。在 Linemod、Linemod-Occlusion 和 YCB-Video 数据集上的实验证明了我们的方法优于现有方法。我们将很快公布代码。

Jan, 2024

提出了一种改进的神经图像渲染问题的解决方案，通过从不同分辨率的图像中恢复准确的相机参数并利用多尺度神经场网络进行绝对相机姿态估计，该方法实现了从不同视角合成逼真的场景图像。

Nov, 2023

通过多分辨率哈希表和 CUDA 核心的并行处理，我们能够在几秒钟内训练和呈现高品质的神经图形原语，极大地减少了浮点运算和内存访问操作。

Jan, 2022

本文提出了一个框架，它将传统的基于关键点的相机姿态优化与可逆神经渲染机制相结合。我们提出的 3D 场景表示 Nerfels 在本地密集而全局稀疏。通过仅在检测到本地特征的位置建模场景，我们的框架通过神经渲染器中的可优化代码调节机制有效地概括了场景中的未见局部区域，同时保持了稀疏 3D 地图表示的低内存占用。该模型可与现有的最先进的手工制作和学习本地特征姿态估计器相结合，提高在 ScanNet 宽摄像机基线场景评估时的性能。

Jun, 2022

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

提出了一种可扩展的对象姿态估计方法，使用多个三维模型的模拟 RGB 视图进行训练，并使用所谓的 “多路径学习” 技术，涉及共享编码器和不同解码器，从而实现对不同实例的通用编码器的训练。在多个数据集上实现了最先进的 6D 目标检测结果。

Aug, 2019

本文提出了神经投影误差作为重合问题与特征学习问题的结合，使用粗 - 细优化方法极大地提高了定位精度和鲁棒性。

Mar, 2021

我们提出了一个算法，允许使用仅具有 2D 图像作为监督来共同优化由分解低秩张量表示的相机姿态和场景几何，利用分解低秩张量的分解属性，我们的方法在仅产生少量计算开销的情况下实现了等效于蛮力 3D 卷积的效果。

Feb, 2024