OD-NeRF:实时动态神经辐射场的高效训练
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
本文提出了一种基于先进的体素网格优化的快速变形辐射场方法来处理动态场景,该方法包括两个模块,采用变形网格存储动态特征和密度和色彩网格来模拟场景几何和密度,并将遮挡进行显式建模以进一步提高渲染质量。实验结果表明,本方法在仅用 20 分钟的训练时间下,达到了与 D-NeRF 相当的性能,比 D-NeRF 快 70 倍以上,显示了该方法的高效性。
Jun, 2022
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
该研究论文介绍了 VideoRF,这是第一个能够在移动平台上实时流式传输和渲染动态辐射场的方法,通过使用特定的训练方案和渲染流水线,实现了在移动设备上的高效实时渲染。
Dec, 2023
本文提出了一种基于动态神经辐射场的算法,通过表面的位置和朝向在观测空间中进行条件化,像素的渲染基于不同姿态下的表面反射的颜色来实现遮挡的效果,有效地改善了单目 RGB 视频中移动高光物体的重建质量。
Mar, 2023
通过简单高效的方法,在复杂的野外场景中从仅仅随意捕捉的图像序列中合成新视角,去除干扰物以及极大地提高收敛速度,从而显著改进了现有技术,为 NeRF 在各种多样化的动态现实应用中开辟了新的研究方向。
May, 2024
我们的研究目标是从复杂动态场景的单目视频中生成高质量的新视图。为了解决过去方法在准确建模复杂物体运动方面的局限性,我们提出了一种新方法,结合了近期的广义 NeRF 和在时间和频率域中操作的模块,以改善动态场景的图像合成的精确度和视觉质量。
Jan, 2024
该论文主要研究使用神经辐射场(NeRF)方法对合成和真实场景进行 3D 重建,包括利用多分辨率哈希编码等技术在静态和动态场景重建方面的研究。其中,还着重探讨了神经辐射场(D-NeRF)对动态场景重建的应用,并成功将其推广至真实世界动态场景。
Oct, 2022
NeVRF 利用神经辐射场与基于图像的渲染相结合,通过引入新颖的多视图辐射混合方法从多视图视频中直接预测辐射,实现对长时间动态内视场景的逼真新视点合成。通过利用连续学习技术,NeVRF 能够高效重构顺序数据的帧,不需要重新访问先前的帧,从而实现长时间自由视点视频。此外,通过一种量身定制的压缩方法,NeVRF 能够紧凑地表示动态场景,在实际应用中使动态辐射场更加实用。我们的实验证明了 NeVRF 在实现长时间序列渲染、顺序数据重构和紧凑数据存储方面的有效性。
Dec, 2023
本研究提出了一种时间变化的表示方法,用于跟踪和重建动态场景,并使用动态选择策略的神经辐射场结合同时定位和建图框架,实现了更有效的动态建图方法。
Oct, 2023