通过间接扩散指导驯服稀疏视图通用 NeRF 中的不确定性
我们通过正则化几何和外观来解决 NeRF 在输入视图位数较少时的性能下降问题,同时在训练期间通过退火光线采样间隔和使用正则化流模型来处理未观察到视点的颜色,从而得到了一种可超过其他方法的模型。
Dec, 2021
本文提出了一种叫做 NeRF 综合的新任务,利用 NeRF 补丁范例的结构内容构建大尺寸的新辐射场,我们提出了一种两阶段的方法来综合新场景,控制场景的照明效果采用阴影指导而不是分离场景,我们表明了我们的方法可以生成高质量的结果,对曲面上的新场景进行综合,增强了我们所提出的 NeRF 综合方法的实用性。
Jun, 2023
Gen-NeRF 是一个算法硬件协同设计框架,可以加速可广义的 NeRF (神经辐射场) 生成新视点,从而实现实时的虚拟和增强现实体验。
Apr, 2023
通过引入特征匹配的稀疏几何规则化模块,本文提出了一种名为 SGCNeRF 的有效少样本神经渲染架构,通过 NeRF 迭代中几何和纹理的渐进细化,提供卓越的几何一致性结果,并在 LLFF 和 DTU 数据集上分别提高了 0.7dB 和 0.6dB 的 PSNR,优于 FreeNeRF。
Apr, 2024
通过合作的神经辐射场的输出和合作的稀疏输入图像,我们介绍了一种新型模型:协作神经辐射场(ColNeRF),用于工作在稀疏输入情况下,以构建富有表现力和更广义的场景表示,为新视图合成提供更高质量的结果。
Dec, 2023
本研究着重于一次全新视图合成(O-NVS)任务,目标是在每个场景只给定一张参考图像的情况下合成逼真的新视图。提出了一种使用 GAN 和扩散的生成性细节补偿框架 GD^2-NeRF,该框架在推理时不需要微调,并且具有生动逼真的细节。
Jan, 2024
提出了一种名为 SE-NeRF 的自我进化神经辐射场框架,通过在教师 - 学生框架中将 few-shot NeRF 转化为,将由教师生成的附加伪标签训练学生,通过使用可靠性估计方法提取射线级伪标签,使得 NeRF 能够学习更准确、更强健的三维场景几何,并展示与评估了将该自我训练框架应用于现有模型时改进了渲染图像的质量并在多种环境中实现了最先进的性能。
Dec, 2023