MC-NeRF:用于多摄像头图像采集系统的多摄像头神经辐射场
UC-NeRF 是一种专门针对欠校准多视角摄像系统的新视角合成方法,通过图层级颜色校正、虚拟畸变、时空约束的位姿细化等技术实现了在多摄像头环境下的优秀新视角合成和大规模室外场景的深度估计。
Nov, 2023
本文提出 NeRF-- 用于学习相机内参和位姿,在各种相机运动情况下实现了准确的相机参数估计,并且在合成数据集 BLEFF 上实现了可比较的新视角渲染质量,为 2D 图像生成 3D 场景的任务提供了新思路。
Feb, 2021
通过 NeRF 的方法来实现对于图像的 View Synthesis, 本文提到了 NeRF 的成功之处以及在应用于大规模无界三维场景中进行改进,使其在 360° 的拍摄模式下提高拍摄质量。
Oct, 2020
通过增量式运动结构 (SfM) 启发的相机参数自由神经辐射场 (CF-NeRF) 模型,逐渐重建三维表示并恢复相机参数,能够鲁棒处理相机旋转场景,并在不提供先验信息和约束的情况下实现最先进的结果。
Dec, 2023
通过增加位置特定的采样技术和多镜头分块策略,我们在大规模航拍数据集上扩展了 Neural Radiance Fields (NeRF) 模型,并对 NeRF 的几何特性进行了全面评估。我们的方法 Mip-NeRF 在几何性能上相较于传统方法具有更好的完整性和物体细节,但目前仍然在准确度方面存在不足。
Oct, 2023
该研究通过提出 Enhance-NeRF 模型,增强神经放射场(NeRF)在虚拟现实和增强现实等领域的三维重建应用,改进了场景识别和学习能力,有望广泛应用于照明、材质和形状的室外场景重建,具备插拔式的易用性,并能够与其他 NeRF-based 模型轻松集成。
Jun, 2023
我们提出了一种多空间神经辐射场(MS-NeRF),通过在并行子空间中表示场景的特征场组,以更好地理解神经网络对具有反射和折射性物体的存在的情况,从而实现了对现有 NeRF 方法的增强,且仅需要小的计算开销。在由 25 个合成场景和 7 个具有复杂反射和折射的真实捕捉场景组成的新颖构建数据集上进行的比较表明,我们的方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。
May, 2023
本研究评估了 Neural Radiance Fields 在工业机器人应用中的潜力,并提出了一种替代 Structure from Motion 预处理的方法,通过基于机器人运动学的度量尺度确定了精确的相机姿态,表明在具有挑战性的场景中具有明显优势,并展示了在缺乏真实数据的情况下,应用集成方法估计合成新视图的质量的初步结果。
May, 2024
IL-NeRF 是一种用于增量训练 NeRF 的新框架,通过选择过去的摄像机姿态作为参考点,初始化和对齐传入图像数据的摄像机姿态,然后进行联合优化摄像机姿态和基于回放的 NeRF 知识蒸馏,实现了更高的渲染质量。
Dec, 2023
我们研究了如何通过改进相机参数优化方法来提高神经辐射场(NeRF)在三维场景重建中的质量,并提出了一种使用白化变换作为相机参数的预处理器来显著改善重建质量的方法。
Aug, 2023