May, 2023

将神经辐射场注册为 3D 密度图像

PDF
TL;DR本文提出了一种使用预训练的 NeRF 模型对 3D 场景进行对齐的方法，该方法通过将传统的关键点检测和点集对齐的流程应用于 3D 密度场来实现。为了在 3D 中描述角点作为关键点，我们建议使用通用的预训练描述符生成神经网络。通过对比学习策略，可以方便地训练描述符网络。我们的方法作为全局方法可以有效地注册 NeRF 模型，从而使未来的大规模 NeRF 构建成为可能。
nerf representations3d scene aligningkey point detectionpoint set registrationdescriptor networks
发现论文，激发创造
  • 神经辐射场的配对对齐

    介绍了一种基于神经辐射场的配对注册技术，通过引入表面场的概念与鲁棒优化的算法来实现 NeRF 场景的配准，该技术可以应用于不同领域的任务。

    Nov, 2022

  • DReg-NeRF：神经辐射场的深度配准

    通过使用 DReg-NeRF 方法，我们能够在不需要人为干预的情况下解决对象中心场景的 NeRF 注册问题，并通过构建一个新颖的视图综合数据集进行训练，从而在测试集上显著超过目前最先进的点云注册方法。

    Aug, 2023

  • 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

  • 完美匹配：探索 NeRF 特征进行视觉定位

    本研究提出使用神经辐射场（NeRF）作为视觉定位的场景表示，通过利用 NeRF 的内部特征建立精确的 2D-3D 匹配来提升定位性能。通过研究 NeRF 的隐式知识和探索不同的匹配网络架构、提取多层的编码器特征以及多种训练配置，引入了 NeRFMatch 作为高级的 2D-3D 匹配函数，并在 Cambridge Landmarks 等标准定位基准上取得了业界领先的定位性能。

    Mar, 2024

  • VF-NeRF: 刚性 NeRF 注册的视域场

    本研究介绍了一种新的 NeRF 注册方法，利用 Viewshed Fields 在没有摄像机位置信息的情况下，实现了对两个 NeRFs 之间的刚体注册，并在多个数据集上进行了验证，取得了具有领先地位的结果。

    Apr, 2024

  • NeRF 融合：基于 NeRF 的大规模场景表示

    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

  • D-NeRF：用于动态场景的神经辐射场

    本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

    Nov, 2020

  • EfficientNeRF: 高效神经辐射场

    本文提出 EfficientNeRF，一种高效的基于 NeRF 的方法，用于表示 3D 场景和合成新视图图像。通过在粗略和精细阶段分别提出有效的和关键的采样方法，以显著提高采样效率。同时，设计一种新的数据结构来加速整个场景的缓存以加速渲染速度。结果表明，本方法可以缩短 88% 以上的训练时间，实现超过 200 FPS 的渲染速度，而仍保持竞争力的准确性，从而促进 NeRF 在现实世界中的实际应用和推广。

    Jun, 2022

  • 工业与机器人领域中的神经辐射场：应用、研究机会和使用案例

    该研究论文通过详细研究神经辐射场（NeRF）在工业应用领域的潜力，并提供未来研究方向，证明了 NeRF 在工业领域的潜力。此外，论文还展示了 NeRF 在视频压缩和三维运动估计方面的实验结果，证明了它们在这些应用中的有效性。

    Aug, 2023

  • 几何感知的场场变换用于三维语义分割

    我们提出了一种新颖的方法，通过利用神经辐射场（NeRFs）从二维监督中进行三维语义分割，通过提取表面点云上的特征，实现了场景的紧凑表示，这种表示对于三维推理而言具有高效的采样并且适于少样本分割。我们的方法不依赖于场景参数化，可以适用于任何类型的 NeRF 场景。

    Oct, 2023