使用神经辐射场生成逼真的 LiDAR 点云
本文提出了一种用于 LiDAR 传感器的新型视角合成任务,并介绍了一种可微分的 LiDAR 渲染器及其结合神经辐射场的端到端框架,证明了该方法在多种数据集上的优越性。
Apr, 2023
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
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
本文介绍了一种使用神经放射场的全可微合成数据管道,可在不需要人力劳动的情况下按需生成数据,从而使得目标任务的准确性最大化。作者在合成和实际的物体检测任务中展示了方法的有效性,并引入了一个可用于真实场景中具有不同姿势的物体检测的新数据集和基准测试 (YCB-in-the-Wild)。
Jul, 2022
使用不同的神经辐射场(NeRFs)技术,通过评估对不同环境中的植物进行(3D)重建的方法,展示了 NeRF 在详细和真实的植物建模中的潜力,并提出了增强 3D 重建过程速度和效率的实用方法。
Feb, 2024
本文提出了一种使用单光子激光雷达系统测量的时间分辨光子计数直方图来渲染瞬态 NeRFs 的新方法,并且通过少量输入视点的训练,相较于基于点云监督的方法能够更好地恢复几何和传统外观。瞬态 NeRFs 对于在自动驾驶、机器人技术和遥感领域中模拟原始激光雷达测量的下游任务特别有用。
Jul, 2023
本文提出了一种名为 LiDARsim 的模拟器,利用真实数据生成 3D 场景,通过物理模拟和深度神经网络相结合来生成 LiDAR 点云,用于测试感知算法和评估安全场景。
Jun, 2020
本研究提出了一种基于神经场的大规模重建系统,它利用激光雷达和视觉数据生成几何精确且具有照片级真实纹理的高质量重建,同时使用激光雷达 SLAM 系统提供深度和表面法线的强几何约束来改进传统的神经辐射场表示方法。
Mar, 2024
本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架,可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法,实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%),通过从用户配置场景的点云进行神经网络的测试和重新训练,可以修复神经网络的弱点 / 盲点。
Mar, 2018