CVPRMay, 2023

神经核表面重建

PDF
TL;DR本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。
3d implicit surface reconstructionneural kernel fieldslarge-scale point cloudssparse linear solversout-of-core processing
发现论文，激发创造
  • 神经场作为可学习的核在 3D 重建中的应用

    使用神经核场方法，基于学习的核脊回归，重建隐含 3D 形状。该技术在从稀疏定向点重建 3D 对象和大场景方面取得了最先进的结果，并且在训练集之外重构形状类别时几乎没有降低准确性。

    Nov, 2021

  • 神经样条：用无限宽神经网络拟合三维曲面

    介绍了一种基于无限宽的 ReLU 神经网络随机特征内核的 3D 表面重建技术，它能够超越最近的神经网络技术和 Poisson 表面重建方法，提供了一种简单且易于分析的内核公式，并证明其为更高维度的三次样条插值的推广。

    Jun, 2020

  • 神经 RGB-D 表面重建

    该研究论文提出了一种基于截断有符号距离函数的 NeRF 框架的 3D 重建方法，结合 RGB-D 传感器和相机细化技术，得到高质量的空间重建结果。

    Apr, 2021

  • 快速核场景流

    我们提出了一种利用经典核表示法的新方法，通过解决线性系统来实现对密集激光雷达点的高效处理，在各种分布场景下具有出色的实时性能和竞争性能，适用于大规模激光雷达数据的高效场景流估计。

    Mar, 2024

  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • NeuSG: 基于神经网络的隐式表面重建与 3D 高斯喷点引导

    神经隐式表面重建方法通过引导来自三维高斯化簇粘附的点云，结合来自神经隐式模型的表面预测精炼来提高细节的重建效果。

    Dec, 2023

  • 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

  • INPC：用于辐射场渲染的隐式神经点云

    我们介绍了一种新的方法，用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同，我们提出了一种混合场景表示，它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做，我们结合了两个世界的优势，通过保留优化过程中的有利行为：我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染，同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外，我们以交互帧率实现了快速推断，并可以提取显式点云以进一步提高性能。

    Mar, 2024

  • 神经稀疏体素场

    本文介绍了一种新的神经场景表示方法 NSVF，它定义了一组体素界限的隐式场，通过稀疏体素八叉树组织，从一组姿态的 RGB 图像中逐步学习底层体素结构，并通过跳过不包含任何相关场景内容的体素来加速渲染新视角，可轻松应用于场景编辑和场景组合。

    Jul, 2020

  • 神经无符号距离场用于隐函数学习

    本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。

    Oct, 2020