神经场的 3D 压缩
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
本论文提出了一种名为神经距离场(Neural Distance Fields)的神经网络模型,可用于预测稀疏点云的非闭合曲面的符号距离场,以重构有内部结构的物体的表面,并实现了面法线计算和渲染。
Oct, 2020
本研究采用神经场进行注册,通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换,实现连续隐式表示的多个神经场的注册,同时讨论神经场在无约束环境中的应用挑战和未来研究方向。
Feb, 2024
本文提出了一种新的 3D 表示方法,神经向量场(NVF),该方法充分利用了显式学习过程和隐式函数表示的强大表示能力,通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍,进而提出了一个基于矢量量化的形状代码本学习方法,最终实现了在不同的评价场景下优于最先进方法的结果,包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。
Mar, 2023
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
本文提出 NeuralUDF 方法,通过体绘制从 2D 图像重建任意拓扑表面,使用无符号距离函数表示表面,成功实现复杂形态的非封闭形状高质量重建。
Nov, 2022
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
使用神经特征融合场(N3F)方法,将预训练的 2D 图像特征提取器引入到对可重建为 3D 场景的多个图像的分析中,以学习在 3D 空间中定义的用于提取特征的学生网络,证明在各种任务中, including 2D 对象检索、3D 分割和场景编辑,N3F 不仅在特定场景神经场上实现了语义理解而且一贯优于自监督 2D 基线。
Sep, 2022
NeSF 是一种从 RGB 图像中生成 3D 语义场的方法,它利用了隐式神经场表示法,根据点积函数捕捉 3D 结构,能够在任意 3D 点上查询,并且生成可以与真实场景相对应的 3D 一致的语义图谱,是第一种只需要 2D 监督进行训练的真正密集的 3D 场景分割方法。
Nov, 2021