Dec, 2023

ProSGNeRF：城市场景中的渐进式动态神经场景图与频率调制自编码器

PDF
TL;DR通过使用图形结构学习动态对象和背景的本地场景表示，并设计渐进方案和频率自编码器网络来解决大规模城市场景和快速移动车辆的视图合成问题。实验结果表明，该方法在视图合成准确性、物体操作和场景漫游能力方面取得了最先进的结果。
implicit neural representationview synthesislarge-scale urban scenesfast-moving vehiclesfrequency auto-encoder network
发现论文，激发创造
  • 多层级神经场景图用于动态城市环境

    我们提出了一种适用于动态城市环境的新颖分解辐射场方法，通过多级神经场景图表示来估计大规模动态区域的辐射场，并采用快速复合光线采样和渲染技术进行有效的训练和渲染，通过新的视图合成基准测试，我们证明了该方法在更多方面的性能优于先前的方法。

    Mar, 2024

  • 动态场景的神经场景图

    该论文提出了一种新的神经渲染方法，能够将动态环境分解成场景图，通过隐式编码学习场景的变换和辐射度，并能够渲染未见过的物体、位置的各种动态场景，达到了高度逼真的效果。

    Nov, 2020

  • 城市区域的动态三维高斯场

    我们提出一种高效的神经 3D 场景表示方法，用于大规模、动态的城市地区的新视点合成 (NVS)。该方法可以适用于混合现实或闭环仿真等应用，具有较高的可视质量和交互式渲染速度。我们引入 4DGF，一种适用于大规模动态城市地区的神经场景表示方法，它可以处理异构输入数据，并显著提高渲染速度。在实验中，我们的方法的峰值信噪比 (PNSR) 超过最先进方法 3 分贝以上，渲染速度提高了 200 倍以上。

    Jun, 2024

  • 使用分层神经表示的可编辑自由视角视频

    本文提出了一种可编辑的逼真的自由视角视频生成方法，通过使用只有 16 个稀疏摄像头，将大规模动态场景中的每个动态实体表示为连续函数，并采用新的分层神经表示方法进行支持感知和逼真操作，并提出使用场景解析 4D 标签地图追踪和连续变形模块隐式分离时间运动，同时采用面向对象的体积渲染方案进行了再组装所有神经层，并采用新颖的分层损失和运动感知射线采样策略，实现了大规模动态场景的高效训练，并支持各种编辑功能，显示了该方法生成高质量的可编辑的自由视角视频。

    Apr, 2021

  • 建模动态城市场景的街道高斯函数

    该论文介绍了一种用于建模动态城市街景的新的显式场景表示方法，其使用带有语义标签和 3D 高斯模型的点云来表示动态城市街景，从而实现了场景的编辑和生成，并且在多个数据集上表现优异。

    Jan, 2024

  • 自编码树用于城市生成和应用

    基于收集的数据集，本文提出了一种名为 AETree 的树状自动编码器神经网络，用于城市生成。该模型利用空间几何距离测量建筑布局的相似性，通过构建二叉树来提取和合并空间信息，最终实现了 2D 和 3D 城市生成。此外，AETree 学到的潜在特征可用于城市规划应用。

    Sep, 2023

  • SUDS: 可扩展的城市动态场景

    该研究将神经辐射场（NeRF）扩展到动态大规模城市场景。使用有标记和无标记的数据，通过光度、几何和特征度量重建来将动态场景分解为静态背景、个体对象和它们的运动，并在 novel-view synthesis, unsupervised 3D instance segmentation 和 unsupervised 3D cuboid detection 等多种任务中显示出优异性能。

    Mar, 2023

  • 基于单目神经网络的连续视角控制图像渲染

    本文提出了一个自监督学习的方法，通过深度引导的调整过程，利用变换自编码器的网络结构，在只有 2D 图像和相关视角变换的情况下精确合成高质量的 3D 对象或场景的新视角，并实现了细粒度和精密的六自由度视角控制。通过在合成和真实场景以及精细和固定视角设置下的彻底评估，证明了该方法的广泛适用性。

    Jan, 2019

  • PLGSLAM：基于本地到全局捆集调整的渐进神经场景表示

    PLGSLAM 是一种神经视觉 SLAM 系统，能够实时进行高保真度的场景重建和强健的相机追踪，在大规模室内场景下表现良好。

    Dec, 2023

  • GRAINS: 室内场景生成递归自编码器

    本研究通过使用基于层次结构的编码器（支持，周围和共存关系），实现了用于室内 3D 场景生成的递归神经网络，结合一种变分自编码器（VAE），用于场景对象组合和场景生成。研究表明，所提方法能够高效地生成大量和多样化的 3D 室内场景，并在与现有方法的比较中展现出优越性能。

    Jul, 2018