金字塔神经辐射场 PyNeRF
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
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
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
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
Hyb-NeRF 是一种新颖的神经辐射场,具有多分辨率混合编码,实现了高效的神经建模和快速渲染,同时允许高质量的新视角合成。它通过从粗到细的分辨率级别使用不同的编码策略来表示场景,并利用可学习的位置特征以及基于哈希的特征网格的快速优化速度和局部细节。此外,为了进一步提高性能,还将锥形跟踪特征嵌入到可学习的位置编码中,消除了编码的歧义性并减少了走样伪影。广泛的合成和实际数据集实验证明,与以往最先进方法相比,Hyb-NeRF 在更快的渲染速度、更好的渲染质量和更低的内存占用方面取得了优势。
Nov, 2023
基于多分辨率哈希格方法的可扩展场景重建方法,通过划分大型场景、消除背景 NeRF,并利用分割体积渲染方法处理跨边界射线,实现了更高质量、更可扩展的场景重建。
May, 2024
本文介绍了一种名为 mip-Grid 的方法,它将消除深度学习模型渲染过程中的锯齿状失真问题与快速训练相结合的网格表示技术,通过生成多尺度的网格并使用尺度感知坐标检索不同尺度的特征,大大提高了渲染性能和训练速度。
Feb, 2024
利用神经辐射场(NeRFs)建立大规模的高楼或多个城市街区跨度的交互式 3D 环境,研究通过分析可见性统计信息,提出特殊化参数不同区域的稀疏网络结构、基于几何聚类的数据并行算法,并对 NeRF 快速渲染程序提出了新方法,有效解决了训练速度和渲染速度等多项挑战。
Dec, 2021
本研究提出了一种名为 mĩp-NeRF 360 的模型,通过应用非线性场景参数化、在线蒸馏和一种新的基于畸变的正则化器,克服了 3D 场景中存在的挑战,在高度复杂的未限定真实世界场景中减少了均方误差 57%,能够提供逼真的合成视图和详细的深度图。
Nov, 2021