提出了一种新的信号建模和表示框架 Factor Fields,将信号分解为一组因子,每个因子由神经场表示或正则场表示操作于坐标变换的输入信号,该框架比现有的几种信号表示方法更通用,可提高信号的逼近质量、紧凑性和效率,并且可以实现共享基础的广义化方法。
Feb, 2023
采用神经隐式点光场方法实现体积渲染,通过几百个样本进行射线投射,通过点云实现大场景动态渲染视频,与现有的方法相比,新方法的视角预测能力更强。
Dec, 2021
提出了一种基于射线束抽样和径向滤波器的图像规范化模型及其训练方法 BIC,实现了对于旋转不变性的视觉处理,与经典卷积神经网络相比,能够更有效地处理该类问题。
Jun, 2022
通过构建多尺度编码体积和提供多尺度几何信息给 NeRF 模型,本文在新颖视角合成和密集几何建模方面提出了一种先进行深度预测和辐射场重建,以使构建的体积尽可能接近场景中物体的表面和渲染的深度更准确,然后通过深度引导的邻域特征融合,提高点体积特征的质量,从而实现了对场景进行优化而不是对单个场景优化的结果。
Jul, 2023
本文提出了一种基于四维光场表示的双阶段变压器模型,旨在弥合几何重建和经典光场渲染之间的差距,通过强制约束几何约束,使得场景几何隐含在稀疏的视角学习中,并在多个前向和 360 度数据集上超越了最先进技术,尤其是在视角变化剧烈的情况下。
本文提出了一种存储效率高、能够编码局部特征的二进制辐射场表示,其二进制化策略让我们能够使用高度紧凑的特征编码来表示功能网格,并显著减小存储器的大小。在静态场景的重建性能上,我们的模型可以达到令人印象深刻的结果。
Jun, 2023
介绍了局部等变于 3D 旋转,平移和点的排列的张量场神经网络;使用球谐函数构建滤波器,接受标量、向量和高阶张量作为输入,并在几何意义下保证输出。用于处理几何、物理和化学任务。
Feb, 2018
提出了一种名为 Strivec 的新型神经表示方法,将 3D 场景建模为稀疏分布且紧凑分解的局部张量特征网格辐射场,并使用 CANDECOMP/PARAFAC(CP)分解和多尺度张量网格来实现对几何和外观的发现与利用,优于之前的方法并使用更少的参数。
通过通过信息守恒原则推导出的一种信息不变的规范变换方法,实现了神经场的端到端学习,提高了计算效率和渲染质量。
May, 2023
TensoRF 采用 4D 张量模型和基于 CP 分解和 VM 分解等技术去重构辐射场,实验结果表明在提高渲染质量的同时保持较小模型大小和更短的重构时间。
Mar, 2022