In recent years, neural fields (NFs) have emerged as an effective tool for
encoding diverse continuous signals such as images, videos, audio, and 3D
shapes. When applied to 3d data, NFs offer a solution to the fr
使用神经特征融合场(N3F)方法,将预训练的 2D 图像特征提取器引入到对可重建为 3D 场景的多个图像的分析中,以学习在 3D 空间中定义的用于提取特征的学生网络,证明在各种任务中, including 2D 对象检索、3D 分割和场景编辑,N3F 不仅在特定场景神经场上实现了语义理解而且一贯优于自监督 2D 基线。
本文提出了一种新的 3D 表示方法,神经向量场(NVF),该方法充分利用了显式学习过程和隐式函数表示的强大表示能力,通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍,进而提出了一个基于矢量量化的形状代码本学习方法,最终实现了在不同的评价场景下优于最先进方法的结果,包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。
该研究提出了一种基于神经辐射场(NeRF)技术的生成全息图的新方法。使用深度神经网络在合理的时间内构建了从 2D 图像生成的 3D 光场的渲染流程,包括 NeRF、深度预测器和全息图生成器,而不需要任何物理计算。通过该流程,可以计算从任意方向观看的 3D 场景的预测全息图。研究还展示了仿真和实验结果。