Nov, 2023

Spiking NeRF: 通过不连续表示来表示现实世界的几何形状

PDF
TL;DR该研究提出了脉冲神经反馈网络（spiking NeRF），通过混合人工神经网络（ANN）和脉冲神经网络（SNN）的框架，构建不连续的密度场从而实现准确的几何表示。
nerf-based methodsneural density fieldspiking nerfartificial neural networkgeometry representation
发现论文，激发创造
  • 脉冲式神经位场：使仿生神经网络透视现实世界

    本文提出了脉冲神经元网络（SpikingNeRF），通过将辐射光线与 SNN 的时间维度对齐，以自然地适应 Radiance Fields 的重建，使计算以脉冲为基础，无需乘法运算，从而降低能耗。

    Sep, 2023

  • SpikeNeRF：从连续脉冲流中学习神经辐射场

    使用尖峰相机数据，利用 SpikeNeRF 从尖峰相机数据中得出了基于 NeRF 的体积场景表示，既能在真实世界中去除错误测量，又能揭示出在各种真实世界的照明情况下一贯的结构，从而在某些场景中展现出比其他视觉传感器更大的优势。

    Mar, 2024

  • 基于尖峰相机的神经辐射场 Spike-NeRF

    使用高时间分辨率的脉冲相机，我们提出了 Spike-NeRF，一种基于脉冲数据的神经辐射场，用于高速场景的三维重建和新视点合成。通过设计特殊的脉冲掩蔽和损失函数，我们从高频但不稳定的脉冲数据中重建了准确且稳定的三维场景，并通过合成实验验证了其优于现有方法和基线模型在高速场景中的视觉效果。

    Mar, 2024

  • 利用神经辐射场实现实时视图合成

    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

  • 利用隐式神经网络从稀疏观测中持续场重构

    本研究采用隐式神经表示方法，从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量，并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数，从而发展出数据的连续表示。在实验评估中，该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量，超过了最近的隐式神经表示方法。

    Jan, 2024

  • 基于脉冲表示的微分训练高性能低延迟脉冲神经网络

    本文提出了一种 Differentiation on Spike Representation (DSR) 方法，利用加权频率编码将射击轨迹编码为射击表示，然后通过对子可微映射的梯度进行 SNN 训练，避免了 SNN 训练中常见的非可微性问题，该方法在静态和神经形态数据集上具有低延迟和最先进的 SNN 性能。

    May, 2022

  • 优化的三维高斯表示用于高质量动态场景重建

    使用变形的多层感知器（MLP）网络捕捉动态偏移的高斯点并通过哈希编码和小型 MLP 来表示点的颜色特征，引入可学习的去噪掩模结合去噪损失以从场景中消除噪点，通过静态约束和运动一致性约束减轻点的运动噪声，实验证明我们的方法在渲染质量和速度上超过了现有方法，同时显著减少了与 3D-GS 相关的内存使用，非常适用于新的视角合成和动态建图等任务。

    May, 2024

  • 神经密度 - 距离场

    该论文提出了一种新的三维表示方法 Neural Density-Distance Field (NeDDF)，同时约束距离场和密度场，从而实现了稳健的初始化和高质量的配准，并在新视角合成方面达到了与 NeRF 相当的结果。

    Jul, 2022

  • 神经辐射场的即时持续学习

    神经辐射场是一种有效的新视点合成和三维场景重建方法。我们提出了一种连续学习框架，通过回放方法结合混合的显式和隐式场景表示来训练神经辐射场，从而在连续设置中优于先前方法的重建质量，并在速度上有数量级的提升。

    Sep, 2023

  • 学习神经双工辐射场进行实时视图合成

    本篇论文提出了一种新的方法，通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示，使用屏幕空间卷积，来提高外观的质量和整个框架的表现。

    Apr, 2023