通过水平集对齐实现神经符号距离函数的更好梯度一致性
本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法,以进行表面重建,同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明,在合成和真实扫描数据的表面重建方面,该方法在广泛使用的基准测试中明显优于现有技术。
Oct, 2022
该论文提出了一种几何一致的神经隐式表面多视图重建方法,该方法利用多视觉几何约束和稀疏几何结构信息,结合有符号距离函数优化,以获得高质量的表面重建结果。
May, 2022
本文研究了使用神经代表距离函数(SDF)进行三维对象表示学习的泛化能力,提出了一个半监督元学习方法,可将形状先验从有标签的数据传输到无标签的数据中,用于重建未知的对象类别,并实现了 100 多个未见过的类别的强大的零 - shot 推理。
Jun, 2022
本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架,使用有符号距离场和表面光场直接表示场景几何及外观,并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状,提高了复杂场景拓扑的重建鲁棒性,实验结果表明相较于现有最优方法,本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。
Aug, 2021
我们介绍了一种新颖的基于神经隐式表示法的多帧结构光设置深度估计技术。通过自我监督的可微分渲染训练神经符号距离场(SDF)。与被动视觉不同,我们利用结构光系统中通过投影模式已知的辐射场,实现几何场的独立优化,确保固定设备定位下的收敛性和网络有效性。为了提高几何保真度,我们在训练过程中引入了基于物体表面的额外颜色损失。实际实验表明,我们的方法在少样本情景下在几何性能上具有优越性,并且在增加模式可用性的情况下实现了可比较的结果。
May, 2024
我们提出了 GenS,一个端到端的通用神经表面重建模型,可以通过结合有符号距离函数(SDF)和可微体渲染,将多视图图像无需 3D 监督进行表面重建。与现有解决方案相比,我们的表示更强大,能够恢复高频细节并同时保持全局平滑性。同时,我们引入多尺度特征度量一致性,以在更具区分性的多尺度特征空间中施加多视图一致性,从而抵抗光度一致性的失效。我们还设计了一种视角对比损失,通过将密集输入中的几何先验精炼到稀疏输入中,强制模型对少视角覆盖的区域具有鲁棒性。在流行的基准测试上进行的大量实验证明,我们的模型能够很好地推广到新场景,并且胜过现有的最先进方法,即使那些使用地面真实深度监督的方法。
Jun, 2024
本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型,实现了高保真的 3D 形状实时渲染,且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。
Jan, 2021
通过使用基于边界采样的方法和基于熵的优化过程,我们提出一种从稀疏输入中学习占据场的方法,并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。
Apr, 2024
基于神经隐式表面表示的 3D 重建框架 NC-SDF,通过视角缺陷的学习和修正,提高了重建的全局一致性和局部细节,并通过信息丰富的像素采样策略和混合几何建模方法进一步改善了重建质量。
May, 2024