VET: 点云补全和高质量神经渲染的视觉误差层析
该文提出了一种基于新视角预测误差的统一评估方法,能够分析可以从输入图像中渲染新视角的任何方法的视觉质量,该方法不需要地面真实几何信息,并能够在获取和重建过程中评估未知场景的质量, 适用于评估各种使用情况。
Jan, 2016
本研究提出了一种新的深度学习点云渲染管道,通过多平面投影将点云特征投射到摄像机视锥体的分层体积中,然后通过卷积神经网络产生多层图像,并根据学习到的权重混合图像,最终实现对具有挑战的场景进行更稳定的渲染。
Dec, 2019
本研究提出了一种基于点的方法,使用可学习的神经描述符来编码局部几何和外观信息,并学习深度渲染网络生成具有照片般逼真感觉的场景视图,同时避免显式表面估计和网格化,并适用于各种复杂场景,包括使用 RGB-D 传感器与标准 RGB 相机进行扫描的场景。
Jun, 2019
利用点引导机制实现精确和高效的多视图重建,通过优化神经投影模块和隐式表面表示,提高面向细节和光滑区域的高质量曲面重建,并且对噪声和稀疏数据具有很强的鲁棒性。
Oct, 2023
该论文介绍了一种基于神经渲染的深层结构,可以在实时中进行补全、超分辨率、去噪,取得高质量图像,适用于虚拟和增强现实头盔,大大改善了用户的使用体验。
Nov, 2018
本文提出了一种基于变分关系点补全网络(VRCNet)的框架,采用概率建模和关系增强技术,实现对不完整点云进行准确重建,并达到对部分点云进行 3D 分类和模型识别的目的。
Apr, 2023
提出一种将神经点表示和神经体渲染结合的方法,使用高分辨率 UV 位移贴图约束神经点来实现更准确的表情控制,通过使用 GEP 射线采样策略和轻量级辐射解码过程,提高了渲染和训练效率。在 Multiface 数据集上通过实验验证了该方法的有效性。
Jul, 2023
本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet),该方法采用了概率建模和关系增强技术实现点云的精细局部重建,同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集),实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法,并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。
Apr, 2021