AutoNeRF: 用自主代理训练隐式场景表示
本文介绍了一种名为 NeRFuser 的架构,它可以在不需要访问大量用于生成它们的图像集的情况下,对 NeRF(神经辐射场)进行注册和混合。NeRFuser 使用 re-rendering 技术进行注册,提出了基于采样的反距离加权进行混合,经实验证明具有鲁棒性。
May, 2023
神经辐射场是一种有效的新视点合成和三维场景重建方法。我们提出了一种连续学习框架,通过回放方法结合混合的显式和隐式场景表示来训练神经辐射场,从而在连续设置中优于先前方法的重建质量,并在速度上有数量级的提升。
Sep, 2023
本文评估了使用受限的真实世界数据来训练神经辐射场中的单个对象表示的质量,并介绍了一种将场景分解成多个基于对象的 NeRF 的流水线,使用嘈杂的对象实例掩码和边界框,并评估了该流水线对噪声位姿、实例掩码和训练图像数量的敏感性。
Apr, 2022
本论文提出了一种基于学习的方法,利用无组织的野外照片合成复杂场景的新视图,并介绍了一系列扩展 NeRF 的方法以解决自然图像中的一些问题,最终成功地构建了名称为 NeRF-W 的系统,能够从互联网上的无组织照片集合中重建场景并呈现接近于照片现实主义水平的合成视图。
Aug, 2020
本研究提出了一种基于神经辐射场的三维场景风格化方法,采用新的训练方法,交替进行 3D 场景和风格化优化步骤,从而应用更加表现力的图像风格转移方法,生成高质量的具有交叉视角一致性的新视角图片。
Jul, 2022
我们的调查分为两个主要部分:Neural Radiance Field 在机器人领域的应用和 Neural Radiance Field 在机器人领域的进展,从 Neural Radiance Field 进入机器人领域的角度。在第一部分中,我们介绍和分析了一些可以在感知和交互方面在机器人领域中使用的工作。在第二部分中,我们展示了一些与改进 Neural Radiance Field 自身性质相关的工作,这对于在机器人领域中部署 Neural Radiance Field 是必不可少的。在回顾的讨论部分,我们总结了现有的挑战,并提供了一些有价值的未来研究方向供参考。
May, 2024
本研究提出了一种新学习框架,ActiveNeRF,通过利用不确定性估计和主动学习策略来提高 NeRF 模型在少量样本下的泛化性能,从而实现在资源受限的情况下从 2D 图像集中构建 3D 场景以及生成新视角的重建。
Sep, 2022
提出了一种名为 SE-NeRF 的自我进化神经辐射场框架,通过在教师 - 学生框架中将 few-shot NeRF 转化为,将由教师生成的附加伪标签训练学生,通过使用可靠性估计方法提取射线级伪标签,使得 NeRF 能够学习更准确、更强健的三维场景几何,并展示与评估了将该自我训练框架应用于现有模型时改进了渲染图像的质量并在多种环境中实现了最先进的性能。
Dec, 2023
该论文通过利用神经辐射场的监督来学习状态表示,提出了一种名为 NeRF-RL 的强化学习算法,该算法可用于具有机器人操纵对象的下游强化学习任务,为该任务提供更好的潜在空间。
Jun, 2022
通过将自编码器与 NeRF 相结合,我们提出了一种潜空间 NeRF,可以在渲染速度提高三倍的同时减少视觉伪影,从而产生更高质量的新视图,可用于实现高效且高保真的 3D 场景表示,特别适用于需要保持可微性的机器人学场景。
Oct, 2023