CVPRMar, 2023

使用简单编辑的频率调制点云渲染

PDF
TL;DR本文提出了一种适用于新视角合成的有效的点云渲染管道，其中包括自适应频率调制模块，用以提供更丰富的频率支持并改善网络性能，并支持高保真度交互式编辑。实验结果也表明本方法在性能表现方面优于现有最先进技术。
发现论文，激发创造
  • FrePolad：频率修正的点隐性扩散用于点云生成

    提出了 FrePolad：一种整合变分自编码器 (VAE) 和去噪扩散概率模型 (DDPM) 用于点云生成的频率校正点潜扩散的流水线，它在保持高效计算的同时实现了生成任务中的高质量、多样性和灵活性，通过 (1) 通过球谐函数设计的新型频率校正模块来保留高频内容，从而学习点云分布；和 (2) 学习正则化但复杂的潜在分布的潜在 DDPM；此外，FrePolad 通过将点的采样归结为潜在形状分布上的条件分布来支持可变的点云基数；最后，由 VAE 编码的低维潜在空间有助于 FrePolad 的快速和可扩展的采样。我们的定量和定性结果证明了 FrePolad 在质量、多样性和计算效率方面的最先进性能。

    Nov, 2023

  • 通过辐射映射提升点云渲染效果

    本文旨在提升点云渲染的图像质量。我们基于容积渲染公式及空间映射的分析，简化 NeRF 表示为只需每像素一次评估的空间映射函数。同时，本文还提出了用射线行进法对嘈杂的原始点云进行矫正，以避免空间频率崩溃和邻域点干扰。我们的方法在点云渲染方面取得了最先进的性能，使用更小的模型尺寸优于之前的研究，其中包括 NeRF-Synthetic（31.74），ScanNet（25.88）和 DTU（30.81）的 PSNR。

    Oct, 2022

  • FPS-Net：大规模 LiDAR 点云分割的卷积融合网络

    该研究设计了 FPS-Net 网络，利用点云投影图像的不同特征进行多模态特征融合，旨在优化点云的分段。该网络的有效性在广泛实验中得到证明，可以实现优于现有方法的语义分割，并且引入的多模态融合思想也兼容于典型的投影方法。

    Mar, 2021

  • 异步反馈网络用于感知点云质量评估

    通过使用异步反馈网络 (AFNet)，该论文在没有参考点云质量评估 (NR-PCQA) 研究中，通过捕捉全局和局部特征并构建它们之间的反馈模块，模拟人类视觉感知机制以更准确地预测质量得分。

    Jul, 2024

  • PF-Net：用于 3D 点云补全的点分形网络

    本文提出了基于点分形网络的学习方法 Point Fractal Network（PF-Net），用于精确高保真度的点云补全，通过多尺度生成网络进行缺失点云的预测。同时，通过多阶段的补全误差和对抗损失来生成更真实的缺失区域，实验证明了该方法的有效性。

    Mar, 2020

  • 频率 Mip-AA：抗锯齿神经辐射场的频率 Mip 表示

    利用基于网格的表示和频域表示的频谱 MipAA 方法，通过利用尺度特定的低通滤波器（LPF）和可学习的频谱遮罩，在保留重要细节的同时有效消除锯齿因素，以解决 Neural Radiance Fields 在生成 3D 场景和渲染不同相机距离下的图像时的走样问题。

    Jun, 2024

  • 基于点的神经辐射场模型：Point-NeRF

    该论文介绍了一种新的基于神经网络点云的辐射场模型 ——Point-NeRF，它结合了 NeRF 和深度多视图立体成像两种方法的优点，可用于高质量的视图合成和快速的场景几何重建。Point-NeRF 可以通过射线行走的渲染管道有效地渲染神经点特征，相对于 NeRF 具有快速训练和处理 3D 重建错误和异常数据的优势。

    Jan, 2022

  • PointNeRF++: 多尺度、基于点的神经辐射场

    使用多尺度稀疏体素网格聚合点云，平均多个尺度以克服点云稀疏性，在全局尺度加入体素表示模拟无点区域，并在 NeRF 合成、ScanNet 和 KITTI-360 数据集上验证方法，显著优于现有技术。

    Dec, 2023

  • 深度光谱网格：用图神经网络进行多频面部网格处理

    基于频谱网格的表示学习方法应用于虚拟世界中的参数化模型，提供了在不同频率级别上独立编辑变形的能力，并通过不同的表示方式改进了生成网格的几何和感知质量。

    Feb, 2024

  • Freditor：基于频率分解的高保真可迁移 NeRF 编辑

    通过频率分解实现高保真、可迁移的 NeRF 编辑。

    Apr, 2024