USB-NeRF: 展开快门捆绑调整的神经辐射场
提出了一种新颖的滚动快门捆绑调整方法,用于神经辐射场(NeRF),利用无序滚动快门(RS)图像获取隐式 3D 表示。通过估计相机姿态和速度,恢复 RS 图像的物理形成,从而消除了对顺序数据的输入限制。采用自粗糙到精细的训练策略,利用场景图中成对帧的 RS 对极约束来检测落入局部极小值的相机姿态。通过与相邻姿态的插值方法对检测为异常值的姿态进行修正。实验结果验证了我们的方法在最新工作中的有效性,并证明 3D 表示的重建不受视频序列输入要求的限制。
Mar, 2024
提出了用于去模糊的神经光辐射场(NeRF)的事件驱动捆绑调整方法(EBAD-NeRF),该方法通过利用混合事件 - RGB 数据来联合优化可学习的姿势和 NeRF 参数,引入了强化相机运动模糊的强度变化度量事件损失和光度模糊损失,实验证明 EBAD-NeRF 在曝光时间内可以准确获得相机姿势,并学习到比以前的方法更清晰的 3D 表示。
Jun, 2024
使用 UP-NeRF(无约束姿势先验的神经辐射场)优化 NeRF 以处理无约束图像集合和瞬态遮挡,通过优化颜色不敏感特征场和独立模块来处理瞬态遮挡,实现更鲁棒的姿势估计及深度监督。在具有挑战性的互联网照片集合(Phototourism 数据集)中,我们的方法相比基准方法如 BARF 及其变体表现出优越性能。
Nov, 2023
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
该论文提出了一种新的非刚性动态场景重建和新视角合成方法 ——NR-NeRF,该方法能够使用一个便携式消费级相机拍摄到的动态场景的 RGB 图像创建高质量的时空几何和外观表示,并且可以生成复杂的渲染场景。
Dec, 2020
本文提出了 Bundle-Adjusting Neural Radiance Fields (BARF) 用于训练 NeRF 从不完美(甚至未知)相机姿态学习神经 3D 表示,并展示了其在视图合成和定位视频序列方面的应用。
Apr, 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
本论文提出了一种基于学习的方法,利用无组织的野外照片合成复杂场景的新视图,并介绍了一系列扩展 NeRF 的方法以解决自然图像中的一些问题,最终成功地构建了名称为 NeRF-W 的系统,能够从互联网上的无组织照片集合中重建场景并呈现接近于照片现实主义水平的合成视图。
Aug, 2020
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
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