Feb, 2024

TaylorGrid: 通过直接基于泰勒展开的网格优化实现快速高质量隐式场学习

PDF
TL;DR通过在二维或三维网格上直接进行 Taylor 展开优化，提出了一种名为 TaylorGrid 的新型隐式场表示，旨在实现快速高质量的隐式场学习，并可以适用于 SDF 学习或 NeRF 等不同的隐式场学习任务。通过广泛的定量和定性比较，TaylorGrid 在快速高质量的隐式场学习方面展现出了线性网格和神经体素的优势。
neural implicit representationimplicit fieldstaylorgridimplicit field learningsdf learning
发现论文，激发创造
  • 紧凑型神经辐射场的遮罩小波表示

    本文提出了一种利用小波变换和可训练掩模方法结合网格神经场的方法来减少计算和存储资源的使用，以实现更加紧凑的场景渲染的方法。实验结果表明，在 2MB 的内存预算下，该方法的性能达到了最优水平。

    Dec, 2022

  • 3DILG：用于三维生成建模的非规则潜在格

    通过使用神经场，利用三维空间内不规则的栅格表征方法，提高了点云形状重构以及生成模型的精确性和质量， 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中，实现了有关 3D 形状建模的革新工作。

    May, 2022

  • 基于隐式表面函数的快速三维形状重建的 TaylorImNet

    本研究提出使用 Taylor 级数的 TaylorImNet 模型来拟合连续隐式函数，该模型可以在不牺牲高分辨率的情况下提高 3D 形状生成的速度和精度。

    Jan, 2022

  • VoxGRAF: 基于稀疏体素网格的快速 3D 感知图像合成

    利用稀疏像素网格表示快速且三维一致地进行生成建模，通过融合渐进式生长、自由空间修剪和适当的正则化方法将单块的 MLPs 替换成三维卷积，实现对具有高视觉保真度的三维场景的高效渲染。

    Jun, 2022

  • 基于网格的神经场模型的归纳增强

    该论文介绍了一种基于网格的模型的理论框架，并提出了一种名为 MulFAGrid 的新型基于网格的模型，该模型在各种任务中展示了卓越的表征能力和较低的泛化性能。

    Mar, 2024

  • GridPull：针对从 3D 点云中学习隐式表示的可扩展性

    通过快速查询网格和使用树结构加速到表面的距离计算，我们提出了 GridPull 来从大规模点云中改善学习隐式表示的效率。

    Aug, 2023

  • 神经场的坐标感知调制

    提出了一种利用 MLPs 和 grid representations 的新方法，通过 Coordinate-Aware Modulation (CAM) 将 grid representations 注入 MLP 的中间特征来增强神经表示的性能和学习稳定性。实验证明 CAM 在多种信号上提高了性能，并在动态场景的新视角合成任务中取得了最先进的性能，同时具有最少的参数和快速的训练速度，并且在静态场景下以 1MB 内存获得了最佳性能，相比使用神经场的最佳视频压缩方法有很大的优势。

    Nov, 2023

  • 3D 场景的本地隐式网格表示

    本文提出了一种新的三维形状表示 —— 本地隐式网格表征，它适用于大型、多样化的室内场景，利用 autoencoder 学习局部数据的嵌入，再使用解码器实现形状优化，提高了基于稀疏点观测的三维表面重建结果。

    Mar, 2020

  • 基于体素格优化的辐射场重建：超快收敛

    我们提出了一种超快速收敛的方法，通过从拍摄场景的一组图像中重建场景辐射场来最新的视点合成，该方法采用密度体素网格表示场景几何和 shallow network 表示复杂的视角相关的外观，同时采用了后激活插值和一些先验约束技术，从而使训练时间缩短到 15 分钟以内，并达到了前沿的质量水平。

    Nov, 2021

  • 三维隐式表示的定向网格编码器

    利用邻域多分辨率格点的特征编码法在学习基于隐式场景表示中发挥了重要作用，然而先前的技术没有明确地利用大多数物体或场景的表面法线和局部平滑性特征。本文提出了第一个明确地利用了这些三维特征的三维几何编码器，通过使用新颖的圆柱体积插值来建模局部平面不变性。此外，我们明确地结合了局部特征聚合来对圆柱体插值特征进行正则化和平滑处理。我们在 ABC、Thingi10k、ShapeNet 和 Matterport3D 上评估了我们的方法，用于对象和场景表示。与使用常规格点的方法相比，我们的几何编码器显示出更快的收敛速度，并获得更清晰的三维表面。与先前的技术相比，我们的方法取得了最先进的结果。

    Feb, 2024