Sep, 2023

利用多个先验条件进行神经网络 3D 室内重建

PDF
TL;DR我们提出了一种新颖的神经隐式建模方法，利用多种正则化策略在仅依赖图像的情况下实现大型室内环境的更好重建，通过稀疏但准确的深度先验将场景锚定到初始模型，并引入一种密集但精度较低的深度先验，灵活性足以让模型从中分离出来改善估计的几何建模，并提出了一种新颖的自监督策略来规范估计的表面法线，最后，可学习的曝光补偿方案适应复杂的光照条件。实验结果表明，我们的方法在具有挑战性的室内场景中产生了最先进的 3D 重建结果。
发现论文，激发创造
  • 野外三维车辆重建的神经隐式建模修复

    本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

    Jan, 2021

  • 用于三维形态建模与重建的深度优化先验

    该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

    Dec, 2020

  • 室内场景重建与细节增强的混合表达和法线先验

    通过将低频和高频区域分别表示，并结合图像锐化和去噪技术以及估计像素级表面法线向量的网络，我们的混合架构和改进的正常先验可以显著提高室内场景的重建质量。

    Sep, 2023

  • 利用掩模引导的自适应一致性约束改善神经室内表面重建

    通过两阶段训练过程、解耦视角相关与视角无关颜色、借助两个新的一致性约束来提高详细重建性能，同时引入关键的掩码方案以自适应地影响监督约束的选择，从而改善自我监督范式下的性能，在合成和真实世界数据集上的实验证明了降低先验估计错误干扰和实现高质量场景重建的能力，并保留了丰富的几何细节。

    Sep, 2023

  • 具深度先验知识的室内场景 3D 合成

    该研究提出了一种基于深度的双通道生成器和可切换鉴别器，用于从 2D 数据中合成 3D 感知室内场景的图像，并通过实验表明，该方法可以显著优于现有的最先进的方法。

    Feb, 2022

  • 基于法向引导的高保真三维曲面重建的神经隐式函数

    通过使用一阶微分特性 (即，表面法线)，本文展示了训练神经表示形成高准确度的 3D 表面重建，即使只有两个 RGB 视图可用，极大地改善了以前难以捕捉的复杂几何细节和薄结构。

    Jun, 2024

  • NeuRIS: 使用法线先验的神经重建室内场景

    提出了一种名为 NeuRIS 的新方法，该方法在神经成像框架中整合室内场景的估计法线作为优先重建大型无纹理形状，以及使异形形状具有细节；只有经过验证为忠实的优先权才会用于 3D 重建，实验证明，该方法在重建质量方面显著优于现有的方法。

    Jun, 2022

  • DebSDF: 研究神经室内场景重建的细节和偏差

    本文提出了 DebSDF，旨在解决多视角图像室内场景中由于纹理缺乏和领域差异导致的误差问题，并通过不确定性建模、重要性引导射线采样以及有偏的密度变换等方法改进了细节重建，实验证明了其在重建室内场景中细结构方面的优越性。

    Aug, 2023

  • NeuSurf：基于表面先验的稀疏输入视图下的神经表面重建

    利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。

    Dec, 2023

  • 使用隐式表示从单张图像中全面理解三维场景

    本文提出了一种基于单幅图像的全面三维场景理解的新管道，该管道可以预测物体形状、物体姿态和场景布局，利用最新的深度隐式表示方法解决了物体形状和布局的不精确估计的问题，通过物理违规损失函数避免了物体之间的错误场景。实验结果表明，该方法在物体形状、场景布局估计和三维物体检测方面优于现有最先进技术。

    Mar, 2021