PointNeRF++: 多尺度、基于点的神经辐射场
该论文介绍了一种新的基于神经网络点云的辐射场模型 ——Point-NeRF,它结合了 NeRF 和深度多视图立体成像两种方法的优点,可用于高质量的视图合成和快速的场景几何重建。Point-NeRF 可以通过射线行走的渲染管道有效地渲染神经点特征,相对于 NeRF 具有快速训练和处理 3D 重建错误和异常数据的优势。
Jan, 2022
本研究论文采用 Neural Radiance Fields 方法,从城市景观图像中导出点云,并通过相机姿态的精确性、自动驾驶汽车采集的街景数据特点、以及新的算法(WIGO 和 LPiM 等)来解决相关挑战。
Apr, 2024
本文旨在提升点云渲染的图像质量。我们基于容积渲染公式及空间映射的分析,简化 NeRF 表示为只需每像素一次评估的空间映射函数。同时,本文还提出了用射线行进法对嘈杂的原始点云进行矫正,以避免空间频率崩溃和邻域点干扰。我们的方法在点云渲染方面取得了最先进的性能,使用更小的模型尺寸优于之前的研究,其中包括 NeRF-Synthetic(31.74),ScanNet(25.88)和 DTU(30.81)的 PSNR。
Oct, 2022
通过深度引导的稀疏输入点云融合构建的辐射场点云可以有效地解决深度图的不准确性和低时间效率问题,实验证明该方法在性能和效率上优于现有技术。
Mar, 2024
该论文提出了一种改进 NeRF 渲染质量的近表面采样框架,通过估计 3D 场景的表面,只在表面周围进行采样,从而提高了渲染质量,并且能够显著加速 NeRF 模型的训练时间。
Oct, 2023
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
本文提出 EfficientNeRF,一种高效的基于 NeRF 的方法,用于表示 3D 场景和合成新视图图像。通过在粗略和精细阶段分别提出有效的和关键的采样方法,以显著提高采样效率。同时,设计一种新的数据结构来加速整个场景的缓存以加速渲染速度。结果表明,本方法可以缩短 88% 以上的训练时间,实现超过 200 FPS 的渲染速度,而仍保持竞争力的准确性,从而促进 NeRF 在现实世界中的实际应用和推广。
Jun, 2022
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
我们介绍了一种新的方法,用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同,我们提出了一种混合场景表示,它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做,我们结合了两个世界的优势,通过保留优化过程中的有利行为:我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染,同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外,我们以交互帧率实现了快速推断,并可以提取显式点云以进一步提高性能。
Mar, 2024