NeuSG: 基于神经网络的隐式表面重建与 3D 高斯喷点引导
我们提出了一种方法,可以从 3D 高斯散点图中精确且非常快速地提取网格。该方法使用高斯散点图进行实际渲染,相较于 NeRFs 具有更快的训练速度。我们首先引入了一个鼓励高斯散点图与场景表面对齐的正则项,然后利用此对齐性通过 Poisson 重建方法从高斯散点图中提取网格,该方法快速、可扩展且能保留细节信息,与通常用于从神经隐式函数中提取网格的 Marching Cubes 算法形成对比。最后,我们引入了可选的优化策略,通过高斯散点图渲染将高斯散点图与网格表面绑定,在传统软件中通过操纵网格而非高斯散点图本身实现了易于编辑、雕刻、绑定、动画制作、合成和调光。与基于神经隐式函数的最先进方法相比,我们的方法可在几分钟内获取逼真渲染所需的可编辑网格,而不是使用数小时。同时,我们的方法提供更好的渲染质量。
Nov, 2023
通过将神经有向距离场(SDF)与三维高斯光斑(3DGS)相结合,我们提出了一个统一的优化框架,用于在室内场景中进行高质量的重建和实时速度的渲染。
May, 2024
使用一组高斯椭球来模拟场景,从而实现高效渲染,3D 高斯喷涂表示法具有快速渲染、动态重建、几何编辑和物理模拟等优点。本文通过对最近的 3D 高斯喷涂方法进行文献综述,提供了一个 3D 高斯喷涂方法的分类,包括 3D 重建、3D 编辑和其他功能应用,以及传统的基于点的渲染方法和 3D 高斯喷涂的渲染公式,旨在帮助初学者快速了解这一领域并为经验丰富的研究者提供全面的概述,以推动 3D 高斯喷涂表示法的未来发展。
Mar, 2024
该研究论文介绍了一种包括隐式曲面重建、三维高斯光照插值以及体积渲染等方法组合的 3D 曲面重建技术,实现了高质量的三维曲面重建并保持了高效率和渲染质量。
Mar, 2024
通过引入基于平面的高斯点云猜测(PGSR)方法,本研究旨在实现高保真度的表面重建和高质量的渲染,以解决基于 3D 高斯斑点(3DGS)的重构方法中普遍存在的质量问题。实验结果表明,与基于 3DGS 和 NeRF 的方法相比,我们的方法在快速训练和渲染的同时保持了高保真度的渲染和几何重建效果。
Jun, 2024
通过引入密集深度图,用于减轻过拟合问题,我们提出了一种方法来优化具有有限图像数量的高斯喷洒。我们通过将众多高斯喷溅结合起来表示 3D 场景,取得了出色的视觉效果。我们使用预训练的单目深度估计模型获取深度图,然后通过稀疏 COLMAP 特征点对其进行缩放和偏移的调整。调整后的深度图有助于基于颜色的 3D 高斯喷溅优化,减轻浮动伪影并确保符合几何约束。我们在具有不同数量的少量图像的 NeRF-LLFF 数据集上验证了该方法,与仅依赖图像的原始方法相比,我们的方法展示了稳健的几何性能。
Nov, 2023