Sep, 2023

具有编码细节级别的抗锯齿神经隐式曲面

PDF
TL;DR我们提出了 LoD-NeuS，一种用于高频几何细节恢复和抗锯齿新视图渲染的高效神经表示。我们借鉴了具有细节级别的基于体素的表示，引入了一种多尺度三平面场景表示方法，能够捕捉有符号距离函数和空间辐射的细节级别。我们的表示通过沿射线在锥体锥内进行多次卷积特征化来聚合空间特征，并通过可微分渲染优化细节级别特征体积。此外，我们提出了一种误差引导的采样策略，在优化过程中引导有符号距离函数的增长。定性和定量评估表明，与最先进的方法相比，我们的方法在表面重建和逼真视图合成方面取得了优越的效果。
lod-neusneural representationhigh-frequency geometry detailanti-aliased novel view renderingsigned distance function
发现论文，激发创造
  • 神经几何细节层：使用隐式三维形状的实时渲染

    本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

    Jan, 2021

  • HF-NeuS: 使用高频细节改进表面重建

    本文提出了 HF-NeuS 方法，在神经渲染中改善了表面重构的质量，首先通过建立透明度函数与 SDF 的关系，将透明度作为变换后的 SDF 来建模，并采用粗到细的策略将 SDF 分解成基函数与偏移函数，最后设计了自适应优化策略，使得训练过程更加关注表面附近存在微小差错的区域，从而获得了比现有技术更好的表面重构质量。

    Jun, 2022

  • 实时反走样神经渲染的多尺度表示

    本文介绍了一种名为 Mip-VoG 的新的多尺度渲染技术，采用四线性插值将 3D 场景中的位置映射到其特征和密度。相比传统的 NeRF 和 Mip-NeRF 方法，Mip-VoG 在同时提高多尺度训练和实时抗锯齿渲染方面具有更好的性能。

    Apr, 2023

  • 基于体渲染学习神经隐式曲面的多视角重建

    该研究提出了一种新颖的神经表面重建方法 NeuS，将表面表示为带符号距离函数的零水平集，并开发了一种新的体积渲染方法来训练神经 SDF 表示，自主进行高保真度的物体和场景三维重建。

    Jun, 2021

  • 神经隐式表面的体绘制

    该论文旨在提高神经体积渲染中几何表示和重建的质量，通过将体积密度定义为拉普拉斯累积分布函数作为有符号距离函数的表示，实现了形状和外观的有效无监督解缠，并在具有多视图的数据集中获得了高质量的几何重建结果。

    Jun, 2021

  • Geo-Neus: 多视角重建的几何一致神经隐式曲面学习

    该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

    May, 2022

  • 光场网络的连续细节层次

    提议一种将光场网络以连续的细节层次进行编码的方法，通过使用累积区域表滤波和基于显著性的重要性采样，使神经表示逐渐流动，减少渲染的延迟和资源利用。

    Sep, 2023

  • NeUDF：利用体渲染学习神经无符号距离场

    本文介绍了一种新的神经渲染框架，名为 nEudf，它可以仅通过多视图监督来重建具有任意拓扑结构的表面；多次实验结果表明，相对于已有的多视图表面重建方法，nEudf 在重建形状复杂、具有开放边界的物体时表现更卓越。

    Apr, 2023

  • InfNeRF：具有 O (log n) 空间复杂度的无限规模 NeRF 渲染

    通过引入八叉树结构以不同比例表示场景，将传统的基于网格的细节层次技术扩展到神经辐射场，提供了数学简洁、优雅的表示，同时保持渲染空间复杂度为 O (log n)。同时，我们提出了一种新的训练策略，保证了方法的可扩展性和效率，既扩展了现有技术的能力，又为使用 NeRF 和八叉树结构进行可扩展、高效的大规模场景表示奠定了基础。

    Mar, 2024

  • 使用排列哈密尔顿晶格的隐式曲面，实现快速多视角重建

    本文提出了一种包含哈希隐式表面表示的混合方法，通过使用转置矩阵晶格和正则化方案以优化这两个领域，旨在改善神经辐射密度场方法的表面几何恢复问题，并在多个数据集上评估效果。

    Nov, 2022