Reg-NF: 神经场中隐性表面的高效配准

Feb, 2024

Reg-NF: 神经场中隐性表面的高效配准

Reg-NF: Efficient Registration of Implicit Surfaces within Neural Fields

Stephen Hausler, David Hall, Sutharsan Mahendren, Peyman Moghadam

TL;DR本研究采用神经场进行注册，通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换，实现连续隐式表示的多个神经场的注册，同时讨论神经场在无约束环境中的应用挑战和未来研究方向。

Abstract

neural fields, coordinate-based neural networks, have recently gained popularity for implicitly representing a scene. In contrast to classical methods that are based on explicit representations such as point clou

neural fields coordinate-based neural networks registration implicit representations robotics applications

发现论文，激发创造

神经场中的物体注册

本文介绍了神经场在机器人应用中对 3D 几何和外观的连续场景表示，重点探讨了神经场在机器人领域中用于对象 6 自由度注册的方法和应用，展示了利用场景和对象神经场模型确定已知对象在场景中的 6 自由度姿态的情景，并展示了如何在不完美模型的场景中更好地表示对象，并通过将对象神经场模型替换到场景中生成新场景的方法。

Apr, 2024

神经辐射场的配对对齐

介绍了一种基于神经辐射场的配对注册技术，通过引入表面场的概念与鲁棒优化的算法来实现 NeRF 场景的配准，该技术可以应用于不同领域的任务。

Nov, 2022

神经无符号距离场用于隐函数学习

本论文提出了一种名为神经距离场（Neural Distance Fields）的神经网络模型，可用于预测稀疏点云的非闭合曲面的符号距离场，以重构有内部结构的物体的表面，并实现了面法线计算和渲染。

Oct, 2020

DReg-NeRF：神经辐射场的深度配准

通过使用 DReg-NeRF 方法，我们能够在不需要人为干预的情况下解决对象中心场景的 NeRF 注册问题，并通过构建一个新颖的视图综合数据集进行训练，从而在测试集上显著超过目前最先进的点云注册方法。

Aug, 2023

神经向量场：显式学习的隐式表示

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。

Mar, 2023

VF-NeRF: 刚性 NeRF 注册的视域场

本研究介绍了一种新的 NeRF 注册方法，利用 Viewshed Fields 在没有摄像机位置信息的情况下，实现了对两个 NeRFs 之间的刚体注册，并在多个数据集上进行了验证，取得了具有领先地位的结果。

Apr, 2024

NeRF 融合：基于 NeRF 的大规模场景表示

本文介绍了一种名为 NeRFuser 的架构，它可以在不需要访问大量用于生成它们的图像集的情况下，对 NeRF（神经辐射场）进行注册和混合。NeRFuser 使用 re-rendering 技术进行注册，提出了基于采样的反距离加权进行混合，经实验证明具有鲁棒性。

May, 2023

神经密度 - 距离场

该论文提出了一种新的三维表示方法 Neural Density-Distance Field (NeDDF)，同时约束距离场和密度场，从而实现了稳健的初始化和高质量的配准，并在新视角合成方面达到了与 NeRF 相当的结果。

Jul, 2022

基于 3D 神经场的深度学习

本文提出了 nf2vec 框架，用于在单次推断中为输入的神经场生成紧凑的潜在表示，展示了将其嵌入到深度学习流程中并成功解决各种任务的有效性。

Dec, 2023

神经核表面重建

本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法，采用神经内核场（NKF）表示法，通过紧凑支持的核函数扩展规模，利用内存高效的稀疏线性求解器进行计算，并采用梯度拟合求解方法来提高抗噪性能，同时还最小化了训练要求，能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点，并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。

May, 2023