RANRAC:基于随机射线共识的稳健神经场景表示
我们提出了一种从由 360 度校准相机组拍摄的一组稀疏视图中重建 3D 物体的新方法。我们通过混合模型,使用基于 MLP 的神经表示和三角形网格,表示对象表面。我们工作的一个关键贡献是一种新颖的以对象为中心的神经表示采样方案,其中的光线在所有视图之间共享。这种采样方案通过网格表示确保样本沿法线方向分布均匀。然后,通过可微分的渲染器高效地进行渲染。我们证明了这种采样方案能更有效地训练神经表示,不需要额外的分割蒙版的监督,能获得最先进的 3D 重建结果,并且适用于 Google 的 Scanned Objects、Tank and Temples 和 MVMC Car 数据集的稀疏视图。
Sep, 2023
本文提出了一种强大的估计器,可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略,利用先前检测到的模型进行神经网络传递学习,并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集,该方法在消失点估计方面表现优异,并在多透视图下表现出优越性能。
Jan, 2020
提出了一种名为 NeuRay 的新型神经表征方法,采用其对新视角综合进行了建模,并通过预测输入视图中可见的点的可见性及自适应损失函数的应用,在实现对无先前场景图像的泛化的同时实现了图像渲染的优化。
Jul, 2021
本论文提出了 SceneRF 方法,采用自监督单目场景重建方法,只用图像序列进行训练,优化辐射场,生成新的深度视图,并成功应用于室内 BundleFusion 和室外 SemanticKITTI 的场景重建中,超越了最近的基线
Dec, 2022
Neural-Guided RANSAC is an improved version of the RANSAC algorithm that is capable of using prior information to optimize an arbitrary task loss during training, achieving superior results compared to state-of-the-art robust estimators in computer vision tasks such as estimation of epipolar geometry, horizon line estimation and camera re-localization.
May, 2019
本文提出 RayNet 模型,将卷积神经网络和马尔可夫随机场相结合,利用视角不变特征表示和透视投影与遮挡的物理规律,重建不同视角的物体的密集三维模型。在真实世界的数据集上,该方法相较其他方法表现良好。
Jan, 2019
该研究提出了一个新颖的端到端框架 DenseRaC,用于从单 ocular RGB 图像中联合估计三维人体姿态和身体形状。通过使用 IUV 映射作为代理表示,然后执行参数化人体姿态和形状的估计,以及最小化输入和渲染输出之间的差异,通过使用 render-and-compare 方案,我们进一步集成了监督学习和对抗生成网络。此外,为了提高学习,研究人员还构建了一个大规模的合成数据集(MOCA),利用网络爬取 Mocap 序列,3D 扫描和动画。该模型通过联合学习来自混合数据集的 3D 人体表示,从而缓解了无配对训练数据的问题。实验结果表明,DenseRaC 在各种涉及人体的公开基准测试中的表现优异。
Sep, 2019
基于 RANSAC-NN 算法的无监督图像异常检测在各类数据集中表现优秀,无需超参数调整,并且对图像错误标记的检测有潜在应用。
Jul, 2023