Nov, 2023

SCALAR-NeRF: 可扩展的大规模神经辐射场景重建

HTML
PDF
TL;DRSCALAR-NeRF 是一个用于大规模神经场景重建的新框架，它采用编码器-解码器架构，通过处理3D点坐标生成编码特征，并生成包括有符号距离和颜色的几何值。通过在整个图像数据集上训练一个粗略全局模型，将图像分割成较小的块，每个块采用专用的局部模型。使用本地模型的特征空间中的全局模型解码器来提升不同块之间的重叠区域。通过有效且高效地融合这些局部模型的输出，我们的方法在大规模场景重建方面优于现有的NeRF方法，并展示了可扩展性。
发现论文，激发创造
  • 野外的NeRF: 用于无约束照片集合的神经辐射场

    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

  • D-NeRF：用于动态场景的神经辐射场

    本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

    Nov, 2020

  • Block-NeRF:可扩展的大场景神经视角合成

    Block-NeRF是神经辐射场的变种，可以有效表示大规模环境，将场景分解成NeRF可以将渲染时间与场景大小分离，使渲染可以扩展到任意大的环境，并允许环境进行每个块更新。通过引入外观嵌入，学习的姿态细化和可控的曝光，以及介绍邻接NeRF之间对齐外观的程序，我们采用数种架构变化使NeRF对不同环境条件下多个月采集的数据具有鲁棒性。通过280万张图像构建Block-NeRF的网格，创建迄今为止最大的神经场景表示，能够渲染旧金山整个社区。

    Feb, 2022

  • NeRFusion: 大规模场景重建中径流场融合

    NeRFusion 提出了一种方法，通过将 NeRF 和 TSDF-based fusion 技术结合起来，实现了大规模室内场景的高效重建和逼真渲染，使用全新的循环神经网络来递增地重建实时稀疏场景表示，进一步提高了渲染质量，取得了大规模室内和小型物体场景的最先进质量，并比 NeRF 和其他最新方法重建速度更快。

    Mar, 2022

  • 神经辐射场场景重建探索：合成、真实世界和动态场景

    该论文主要研究使用神经辐射场（NeRF）方法对合成和真实场景进行3D重建，包括利用多分辨率哈希编码等技术在静态和动态场景重建方面的研究。其中，还着重探讨了神经辐射场（D-NeRF）对动态场景重建的应用，并成功将其推广至真实世界动态场景。

    Oct, 2022

  • NeRF融合：基于NeRF的大规模场景表示

    本文介绍了一种名为NeRFuser的架构，它可以在不需要访问大量用于生成它们的图像集的情况下，对NeRF（神经辐射场）进行注册和混合。NeRFuser使用re-rendering技术进行注册，提出了基于采样的反距离加权进行混合，经实验证明具有鲁棒性。

    May, 2023

  • 自适应多NeRF：利用自适应多尺度神经辐射场渲染中的高效并行性

    通过将场景自适应地细分为轴对齐的包围盒，并使用树层次结构方法将较小的NeRF分配给不同大小的子空间，该论文提出了一种有效的适应性多NeRF方法，以加速针对复杂场景的神经渲染过程，以实现对特定场景部分的精细神经表示。

    Oct, 2023

  • 金字塔神经辐射场PyNeRF

    通过在不同空间网格分辨率上训练模型头部，我们对基于网格的模型进行简单修改，以实现容易的扩展，提高渲染质量和性能效率。

    Nov, 2023

  • 全球引导的焦点神经辐射场用于大规模场景渲染

    提出了一种全球引导的焦点神经辐射场(GF-NeRF)，利用两阶段结构和全球引导的训练策略，在大规模场景中实现高保真度的渲染结果。

    Mar, 2024

  • CodecNeRF：快速编码和解码，紧凑而高质量的新视角合成

    通过提出一种新的编码-解码-微调流程，CodecNeRF在保持(或改善)图像质量的同时，在常用的3D对象数据集（如ShapeNet和Objaverse）上实现了超过150倍的压缩性能和20倍的编码时间缩短。

    Apr, 2024