ICLRMar, 2024

通过目标编码和分类损失实现的神经场分类器

PDF
TL;DR神经场分类器 (NFC) 是一种新颖的神经场方法，将神经场方法转化为分类任务而不是回归任务，并通过使用目标编码模块和优化分类损失来实现，从机器学习的角度回答了神经场方法的回归模型是否比分类模型更好的问题。NFC 在几乎不增加计算成本的情况下展示了令人印象深刻的有效性，并且对稀疏输入、损坏的图像和动态场景也表现出鲁棒性。
neural field methodsregression modelsclassification modelsneural field classifierneural field regressor
发现论文，激发创造
  • 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

  • Reg-NF: 神经场中隐性表面的高效配准

    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。

    Feb, 2024

  • 神经辐射场（NeRFs）：综述与一些最近的发展

    Neural Radiance Field (NeRF) is a framework representing a 3D scene with MLP, achieving state-of-the-art photorealistic image renderings for view synthesis and expanding capabilities to generate views from dynamic scene representations with fewer images for training.

    Apr, 2023

  • FiG-NeRF：面向三维对象分类建模的图形 - 背景神经辐射场

    本研究使用神经辐射场（NeRF）从输入图像集合中学习高质量的三维物体类别模型，通过 2 组件 NeRF 模型，FiG-NeRF，实现场景的几何恒定背景和可变形前景的分离，从而仅使用光度监督和随意捕捉的物体图像即可学习准确的三维物体类别模型，并且可以进行精确清晰的无模分割和视图合成，并使用综合测量方法对方法进行定量评估。

    Apr, 2021

  • 基于神经辐射场的视觉渲染方法综述

    近年来，神经辐射场（NeRF）在计算机视觉和图形领域取得了显着进展，为解决 3D 场景理解、新视角合成、人体重建、机器人等关键任务提供了强有力的技术支持。本文对过去两年内关于 NeRF 的研究文献进行了深入分析，在详细阐述 NeRF 核心架构的基础上，讨论了 NeRF 的各种改进策略，以及在不同应用场景中的案例研究，展示了其在不同领域的实际应用价值。同时，本文还详细介绍了 NeRF 模型训练所需的关键资源，最后提出了关于 NeRF 未来发展趋势和潜在挑战的前瞻性讨论，旨在为该领域的研究人员提供研究灵感，促进相关技术的进一步发展。

    Mar, 2024

  • 利用 Torch 单元的神经辐射场

    提出了一种名为 Torch-NeRF 的新方法，通过扩大光线感知领域和构建样本点交互来提高神经辐射场在复杂场景中的重建性能。

    Apr, 2024

  • 基于神经辐射场的不确定性感知视觉定位

    本文提出了一种使用神经辐射场（NeRF）生成训练样本的场景坐标回归（SCR）方法，并且通过设计 NeRF 来预测渲染数据的不确定性，在像素级别揭示数据的可靠性；将 SCR 公式化为带有认识不确定性的深度证据学习，用来评估信息获取与场景坐标质量；基于不确定性的三个方面，形成了一种新的视角选择策略，极大地提高了数据效率。实验结果表明，我们的方法能够选择带来最大信息增益的样本，并以最高效率提高性能。

    Oct, 2023

  • 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

  • Nerfies: 可变形神经辐射场

    描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。

    Nov, 2020

  • 完美匹配：探索 NeRF 特征进行视觉定位

    本研究提出使用神经辐射场（NeRF）作为视觉定位的场景表示，通过利用 NeRF 的内部特征建立精确的 2D-3D 匹配来提升定位性能。通过研究 NeRF 的隐式知识和探索不同的匹配网络架构、提取多层的编码器特征以及多种训练配置，引入了 NeRFMatch 作为高级的 2D-3D 匹配函数，并在 Cambridge Landmarks 等标准定位基准上取得了业界领先的定位性能。

    Mar, 2024