Mar, 2024

SCILLA: 大型城市地区表面隐式学习的体积混合解决方案

PDF
TL;DRSCILLA 是一种新的混合隐式表面学习方法，用于从 2D 图像中重建大型驾驶场景，通过引入自监督概率密度估计的体素渲染策略，能够在不依赖场景几何先验的情况下，快速初始化有关场景的有符号距离场，并能在各种城市场景中学习准确和详细的三维表面场景表示。
neural implicit surface representationurban outdoor scenesscillavolumetric densitysigned distance field
发现论文，激发创造
  • 基于神经渲染的自动驾驶城市场景重建

    利用多模态数据结合深度学习模型进行密集三维重建，从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。

    Feb, 2024

  • StreetSurf：将多视角隐式表面重建扩展到街景

    本文提出了一种新型的多视角隐式曲面重建技术 ——StreetSurf，适用于广泛使用的自动驾驶数据集中的街景图像，特别是在没有 LiDAR 数据的情况下，旨在解决街景图像中场景几何形状、纹理等问题。

    Jun, 2023

  • 神经隐式曲面的球形引导训练

    本文提出通过联合训练隐式函数和新的粗球面基础表面重构方法解决多视角三维重建中高频细节重建效率低下的问题，并将其应用到多种隐式表面建模方法的训练过程中，从而获得在合成数据和实际数据集上的统一改进。

    Sep, 2022

  • 无需三维监督学习推断隐式曲面

    本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

    Nov, 2019

  • SiLVR: 大规模激光雷达视觉重建与神经辐射场用于机器人检测

    本研究提出了一种基于神经场的大规模重建系统，它利用激光雷达和视觉数据生成几何精确且具有照片级真实纹理的高质量重建，同时使用激光雷达 SLAM 系统提供深度和表面法线的强几何约束来改进传统的神经辐射场表示方法。

    Mar, 2024

  • 城市辐射场

    从由摄像头和扫描器捕捉的 RGB 图像和激光雷达扫描序列中，使用我们的扩展方法，生成具有深度信息的 3D 表面，以及合成新颖的 RGB 图像。

    Nov, 2021

  • 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

  • LISNeRF 绘图：基于语义神经场的大规模三维场景基于 LiDAR 的隐式绘图

    本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法，使用隐式表示进行建模。通过浅层多层感知机（MLPs）从隐式特征解码出语义信息和有符号距离值，并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化，最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比，我们的框架在三个真实数据集，SemanticKITTI，SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。

    Nov, 2023

  • SurroundSDF：基于有向距离域的隐式三维场景理解

    提出 SurroundSDF 方法来通过环境图像隐式地预测连续的感知距离场 (SDF) 和语义场，通过使用基于查询的方法和 Eikonal 公式约束 SDF 以准确描述障碍物表面，并引入一种新的弱监督模式 (Sandwich Eikonal formulation) 来提高表面感知的准确性，实验证明该方法在 nuScenes 数据集上在占用预测和 3D 场景重建任务中取得了最优的结果。

    Mar, 2024

  • 学习符号距离场进行多视角表面重建

    本研究提出了一种基于神经隐式表达并结合立体匹配和特征保持的新型表面重建框架，使用有符号距离场和表面光场直接表示场景几何及外观，并通过优化多视角特征一致性和渲染图像的保真度来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性，实验结果表明相较于现有最优方法，本方法在无需输入蒙版的广阔场景网格重建上具有更佳的表现。

    Aug, 2021