CVPRMay, 2023

PET-NeuS: 神经表面的位置编码三平面

PDF
TL;DR本文建立新的神经表面重建方法，在 signed distance function 的基础上结合 tri-plane 表示，采用可学习的位置编码和卷积操作，通过实验在标准数据集上大幅提高了表面重建的精度。
signed distance functionneural surface reconstructiontri-plane representationpositional encodingconvolution operations
发现论文，激发创造
  • PR-NeuS：一种基于先验的残差学习范例，用于快速多视角神经表面重建

    通过引入基于先验的残差学习范式以及哈希编码网络，提出了一种快速多视角神经表面重建方法，实验结果表明仅需约 3 分钟即可重建单个场景的表面，同时保持了竞争性的表面质量。

    Dec, 2023

  • 三平面混合神经场的神经处理

    本文通过对三平面离散数据结构进行处理，展示了该结构具有丰富的信息，可以通过标准深度学习模型进行有效处理，并在处理过程中实现了与处理显式表示结构相当的任务性能，同时保持了相同的重建质量。

    Oct, 2023

  • HF-NeuS: 使用高频细节改进表面重建

    本文提出了 HF-NeuS 方法，在神经渲染中改善了表面重构的质量，首先通过建立透明度函数与 SDF 的关系，将透明度作为变换后的 SDF 来建模，并采用粗到细的策略将 SDF 分解成基函数与偏移函数，最后设计了自适应优化策略，使得训练过程更加关注表面附近存在微小差错的区域，从而获得了比现有技术更好的表面重构质量。

    Jun, 2022

  • 基于体渲染学习神经隐式曲面的多视角重建

    该研究提出了一种新颖的神经表面重建方法 NeuS，将表面表示为带符号距离函数的零水平集，并开发了一种新的体积渲染方法来训练神经 SDF 表示，自主进行高保真度的物体和场景三维重建。

    Jun, 2021

  • SparseNeuS: 基於稀疏視角的快速通用神經表面重建

    SparseNeuS 是一种基于神经渲染的表面重建方法，采用有符号距离函数（SDF）作为表面表示，通过几何编码体引入图像特征的通用先验知识进行预测，在利用稀疏视图进行高质量重建时采用了多级几何推理框架、多尺度颜色融合方案和一致性感知微调。实验证明了该方法在速度、泛化性能和灵活性方面均表现出优越性。

    Jun, 2022

  • S3-SLAM: 稀疏三面体编码用于神经隐式 SLAM

    通过稀疏的三平面编码和分层捆绑调整，我们提出了一种能够在高分辨率上实现快速而高质量跟踪和建图的方法，该方法仅使用了常用三平面参数的 2~4% 的存储空间。

    Apr, 2024

  • VoxNeuS: 通过梯度插值加强基于体素的神经表面重建

    采用梯度插值而不是原始解析梯度来消除其间断性的基于体素的轻量级表面重建方法 VoxNeuS 在消除渐变不稳定性的同时，通过几何 - 辐射分离架构处理几何形变，以提高重建质量。

    Jun, 2024

  • NeuS2: 多视角重建的神经隐式曲面快速学习

    提出了一种快速的神经表面重建方法，称为 NeuS2，通过将多分辨率哈希编码集成到神经表面表示中，实现了两个数量级的加速，并通过 CUDA 实现了整个算法。该方法不仅提高了表面重建的准确性，还能有效地解决神经表面表示的训练时间长的问题，特别是在动态场景下。

    Dec, 2022

  • 三视图遇上高斯点云投影：使用 Transformer 快速且可推广的单视图 3D 重建

    通过前向推理，我们介绍了一种从单张图像高效生成三维模型的新方法，利用基于 Transformer 的网络，即点解码器和三面解码器，通过混合的 Triplane-Gaussian 中间表示重建三维物体，从而在渲染速度和渲染质量上实现了平衡，并比之前的技术在质量和运行时间方面取得了更好的效果。

    Dec, 2023

  • 用样条位置编码学习三维隐式带符号距离场

    本研究提出了一种新颖的位置编码方案 (Spline Positional Encoding)，将输入坐标映射到高维空间，以帮助从无组织的 3D 点云中恢复带有细节的几何形状，从而进一步验证了该方法在 3D 形状重建和形状空间学习任务中的优势。同时，在图像重建方面也展示并评估了我们方法的功效。

    Jun, 2021