ICLRMar, 2023

S-NeRF：街景的神经辐射场

PDF
TL;DR本文提出了一种新的街景神经辐射场模型（S-NeRF），它考虑了大规模背景场景和前景移动车辆的新视角合成，通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题，并使用嘈杂和稀疏的 LiDAR 点来提高训练的鲁棒性和减少深度奇异值出现的情况。我们的 S-NeRF 模型在各种大规模驾驶数据集上的实验证明了它优于现有最先进方法在街景合成中减少了 7％至 40％的均方误差，并在移动车辆渲染的 PSNR 方面获得了 45％的增益。
neural radiance fieldsstreet-view synthesislidarcamera posesmoving vehicles rendering
发现论文，激发创造
  • NeRF2Points: 街景视图中大规模点云生成的辐射场优化

    本研究论文采用 Neural Radiance Fields 方法，从城市景观图像中导出点云，并通过相机姿态的精确性、自动驾驶汽车采集的街景数据特点、以及新的算法（WIGO 和 LPiM 等）来解决相关挑战。

    Apr, 2024

  • DiL-NeRF：透视街景中的激光雷达神经辐射场探究

    利用 Lidar 数据改善街景下基于神经辐射场的光线追踪和视图合成技术。

    May, 2024

  • 使用深度感知优化提高神经辐射场用于新景深合成

    SfMNeRF 提出了一种基于神经辐射场的方法，结合自监督深度估计方法对样本进行重构，同时利用极线和光度一致性等约束构建 3D 场景几何图像，提高了神经辐射场的表现，实现了更好地合成新视角。

    Apr, 2023

  • 多视角卫星摄影测量的影子神经辐射场

    我们提出了一种新的通用方法，用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型，我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤，而不需要任何显式形状监督。

    Apr, 2021

  • 基于神经辐射场的工业机器人应用中的新视角合成

    本研究评估了 Neural Radiance Fields 在工业机器人应用中的潜力，并提出了一种替代 Structure from Motion 预处理的方法，通过基于机器人运动学的度量尺度确定了精确的相机姿态，表明在具有挑战性的场景中具有明显优势，并展示了在缺乏真实数据的情况下，应用集成方法估计合成新视图的质量的初步结果。

    May, 2024

  • 众包 NeRF：从生产车辆中收集数据进行 3D 街景重建

    借助大规模众包数据的神经光辐射场（NeRF）重建框架，解决了大规模重建中的数据获取问题，并利用这些数据训练 NeRF 模型生成高质量的 3D 场景。

    Jun, 2024

  • 野外无干扰 NeRFs 的即时利用不确定性

    通过简单高效的方法，在复杂的野外场景中从仅仅随意捕捉的图像序列中合成新视角，去除干扰物以及极大地提高收敛速度，从而显著改进了现有技术，为 NeRF 在各种多样化的动态现实应用中开辟了新的研究方向。

    May, 2024

  • 具有阴影指导的 NeRF 合成

    本文提出了一种叫做 NeRF 综合的新任务，利用 NeRF 补丁范例的结构内容构建大尺寸的新辐射场，我们提出了一种两阶段的方法来综合新场景，控制场景的照明效果采用阴影指导而不是分离场景，我们表明了我们的方法可以生成高质量的结果，对曲面上的新场景进行综合，增强了我们所提出的 NeRF 综合方法的实用性。

    Jun, 2023

  • S-NeRF++：基于神经重建和生成的自动驾驶仿真

    S-NeRF++ 是一种基于神经重建的创新自动驾驶仿真系统，它能够生成大量具有高渲染质量的逼真街景和前景物体，并具有灵活的操作和模拟能力。通过使用质量较高的仿真数据，我们发现感知方法在几个自动驾驶下游任务上享受了性能提升，进一步证明了我们提出的仿真器的有效性。

    Feb, 2024

  • NeRF++：分析和改进神经辐射场

    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