CAwa-NeRF:即时学习压缩感知的 NeRF 特征
该论文提出了一种针对基于网格的 NeRF 模型的效率压缩方法,使用非线性变换编码范式和神经压缩对模型的特征网格进行压缩,引入重要性加权的失真率目标和利用掩蔽机制的稀疏熵模型以利用潜在特征网格的空间不均匀性,实验证明该方法在基于网格的 NeRF 压缩效率和重建质量方面优于现有工作。
Jun, 2024
我们介绍了一种基于上下文的 NeRF 压缩 (CNC) 框架,利用高效的上下文模型提供储存友好的 NeRF 表示。我们通过挖掘层级和维度上的上下文依赖以减少信息熵,同时利用哈希碰撞和占用栅格作为强先验知识进行更好的上下文建模,实现了对 Synthesic-NeRF 和 Tanks and Temples 数据集上基准 Instant-NGP 的体积降低 100 倍和 70 倍,对 SOTA NeRF 压缩方法 BiRF 实现了 86.7% 和 82.3% 的存储空间减少。
Jun, 2024
使用渲染和信号处理中的思想,将 mip-NeRF 360 和基于网格的模型相结合,使误差比之前的技术低 8%-76%,并且训练速度比 mip-NeRF 360 快 22 倍。
Apr, 2023
通过使用非线性转换、量化和熵编码实现记忆高效的场景表示,我们提出了 NeRFCodec ,这是一个端到端的 NeRF 压缩框架,它利用预训练的神经 2D 图像编解码器对特征进行压缩,从而使得我们能在 0.5 MB 的内存预算下实现高质量的新视角合成。
Apr, 2024
HollowNeRF 是一种针对基于哈希网格的 NeRF 的新型压缩解决方案,通过在训练阶段自动稀疏化特征网格,并利用交替方向乘子法(ADMM)稀疏 3D 显著性蒙版,以改进渲染质量,同时仅使用与可比较最先进的解决方案相当的参数的一小部分,从而实现更好的成本 - 精度平衡。
Aug, 2023
本文提出了 Re:NeRF 方法,用于在维持性能的同时降低 NeRF 模型的内存存储。与三种不同的 EXG-NeRF 体系结构在四个流行的基准测试中进行基准测试,显示了 Re:NeRF 的广泛适用性和有效性。
Oct, 2022
本研究提出了一种混合特征哈希表的内存高效的 NeRF 框架,可以改善内存利用率和减少训练时间,同时保持重建质量。实验结果表明,在相同的 GPU 硬件上,与 Instant-NGP、TensoRF 和 DVGO 等最先进的方法相比,MF-NeRF 在训练时间上能够获得更快的速度,且重建质量相似甚至更高。
Apr, 2023
该研究提出了一个新的框架用于实现对大型城市场景的高保真渲染,该框架运用了一种简化的多分辨率地面特征平面表示来捕捉场景,并通过另一个 NeRF 分支的位置编码输入进行补充,以联合学习的方式进行渲染。
Mar, 2023
该论文提出了一种名为 Sparse Neural Radiance Grid 的新方法,它使用学习的稀疏体素网格表示,通过对神经辐射场(Neural Radiance Fields)进行预处理和存储(烘焙)来实现实时渲染。通过该方法,可以在以往的基础上保留了 NeRF 渲染精细几何细节和视图相关外观的能力,实现在普通硬件上进行实时渲染。
Mar, 2021