DReg-NeRF:神经辐射场的深度配准
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。
May, 2023
本文提出了一种无监督的 RGB-D 注册的新型框架 NeRF-UR,通过使用神经辐射场(NeRF)作为场景的全局模型,并利用输入和 NeRF 重构帧之间的一致性进行姿态优化,从而显著提高了在多视角一致性差的场景中的鲁棒性,并为注册模型提供更好的学习信号。通过在合成数据集 Sim-RGBD 上训练注册模型,并在真实数据上进行无监督微调,使我们的框架能够将特征提取和注册的能力从模拟迁移到现实场景。我们的方法在室内 RGB-D 数据集 ScanNet 和 3DMatch 上优于最先进的对手。
May, 2024
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
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
本论文提出了单视角 NeRF 框架 (SinNeRF),通过引入半监督的学习过程,利用几何标签和语义标签指导训练过程,成功实现了仅通过单个视图将神经辐射场训练到现实场景,即使在不进行多视图数据集预训练的情况下,SinNeRF 可产生逼真的新视图综合结果。
Apr, 2022
通过引入深度监督机制,结合 SFM(结构光运动)得到的 “自由” 深度监督信息,在学习 Radiance Fields 的过程中对射线的结束点进行分布的损失函数,并且证明这种监督方式简单有效,可以使得渲染图像更加精准,支持其它类型的深度监督。
Jul, 2021
本文提出了一种基于像素灵活对齐以及帧级约束参数对齐的局部到全局检测方法 L2G-NeRF,该方法能够成功解决通过细节学习的 3D 表示及相机对齐的约束因素对神经辐射场的应用所带来的巨大限制。
Nov, 2022