SparseSat-NeRF: 稀疏遥感图像的密集深度监督神经辐射场
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
通过将深度先验与 Neural Radiance Fields(NeRFs)相结合,我们调查了 NeRFs 在航空图像块表示不同特征的能力,并将其与公开可用的航空图像基准数据集的结果进行了比较。
Apr, 2024
介绍了 Sat-NeRF,它是阴影神经辐射场(S-NeRF)模型的一个修改实现。它能够从场景的稀疏卫星图像合成新的视图,并考虑图片中存在的光照变化。通过完全连接的神经网络支路输出反照率和入射辐照度两个量,对辐射度进行考虑,将其作为太阳直射光和天空漫反射颜色的函数。通过对 NeRF 进行超参数研究,得出了一些有趣的结论,并且成功地将 NeRF 和 S-NeRF 运行了 100k 次以完全拟合数据并产生最佳预测。
Apr, 2023
我们提出了一种新的通用方法,用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型,我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤,而不需要任何显式形状监督。
Apr, 2021
SfMNeRF 提出了一种基于神经辐射场的方法,结合自监督深度估计方法对样本进行重构,同时利用极线和光度一致性等约束构建 3D 场景几何图像,提高了神经辐射场的表现,实现了更好地合成新视角。
Apr, 2023
这篇论文提出了一种基于多视角几何约束、利用稀疏输入视角和深度一致性损失函数的方法: Sparse Pose Adjusting Radiance Field (SPARF),以在仅有少数宽基线输入图像的情况下 (尽低至 3 张),实现新视角合成,同时在多个具有挑战性的数据集上取得了新的最先进结果。
Nov, 2022
介绍了一种新的卫星多视角摄影测量学的端到端模型 - 卫星神经辐射场(Sat-NeRF),利用神经渲染的最新技术结合本地卫星相机模型,通过阴影感知辐照模型和不确定性加权等方法来提高模型对于多次拍摄图像在外观上的高质量表现。
Mar, 2022
本研究借鉴神经辐射场(NeRF)的概念,将 SAR 成像机制与神经网络相结合,提出了一种新的 SAR 图像生成模型 SAR-NeRF,它通过自动编码学习了体素的衰减系数和散射强度分布,并在少样本学习任务上实现了较高的分类精度。
Jul, 2023
提出了 MVSNeRF,这是一种新颖的神经渲染方法,可以通过快速网络推理从仅三个附近输入视图重建辐射场,利用平面扫描代价体进行几何感知场景推理,并将其与基于物理的体积渲染相结合,能够横跨场景(甚至是室内场景)泛化,并仅使用三个输入图像生成逼真的视图合成结果,比类似工作在可推广的辐射场重建方面表现显著优越。
Mar, 2021