Mar, 2024

基于快速稀疏视角引导的对象重构 NeRF 更新

HTML
PDF
TL;DR我们开发了第一个用于NeRF更新的方法，可通过只提供少量新的图像来更新预训练的NeRF，以便适应物理变化，而无需耗时的数据重新捕获和重新训练。我们使用辅助的第二个NeRF来学习场景的局部几何和外观变化，用于准确重建稀疏视角下未遮挡物体区域。该方法比从头开始重新训练NeRF快一个数量级，并且具有相当甚至更好的性能。
发现论文，激发创造
  • NeRF++：分析和改进神经辐射场

    通过NeRF的方法来实现对于图像的View Synthesis, 本文提到了NeRF的成功之处以及在应用于大规模无界三维场景中进行改进，使其在360°的拍摄模式下提高拍摄质量。

    Oct, 2020

  • D-NeRF：用于动态场景的神经辐射场

    本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

    Nov, 2020

  • Ref-NeRF: 神经辐射场的结构化视角依赖外观

    Ref-NeRF通过替换NeRF的视角相关的出射辐射参数化为反射辐射参数来提高NeRF方法表示高光表面外观的准确性，并且使用一系列空间变化场景属性来构造该函数结构，同时结合法线向量的正则化，可以实现更加真实和准确的高光反射，此外，我们的模型的内部表示也具有可解释性，用于场景编辑。

    Dec, 2021

  • Aug-NeRF：利用三级基于物理学的扩展训练更强大的神经辐射场

    本研究提出了一种名为Aug-NeRF的增强型神经辐射场模型，它利用鲁棒的数据增强技术来加强NeRF的训练，从而提高其在新视角合成和几何重建方面的表现，并且可以从严重受损的图像中恢复场景。

    Jul, 2022

  • Nerfbusters: 从非正式捕获的NeRFs中消除幽灵伪影

    该研究提出了一种新的数据集和评估程序，利用3D扩散方法和基于密度的分数蒸馏采样损失来避免NeRF优化过程中的呈现伪像和错误几何图形问题。使用这种数据驱动的先验方法可以去除浮动物并改善场景几何结构。

    Apr, 2023

  • 使用超网络学习改进的NeRF先验知识的HyP-NeRF

    本文提出了一种使用超网络来学习可推广类别级神经辐射场先验的隐式编码方法，称为 HyP-NeRF。 HyP-NeRF 不仅可以显着提高质量，而且还可以在多个下游任务中使用。

    Jun, 2023

  • SimpleNeRF：用更简化的方法规范稀疏输入神经辐射场

    使用增强模型和深度监督训练的前馈神经光辐射场模型能在少量视角下实现最新的视图合成表现。

    Sep, 2023

  • 金字塔神经辐射场PyNeRF

    通过在不同空间网格分辨率上训练模型头部，我们对基于网格的模型进行简单修改，以实现容易的扩展，提高渲染质量和性能效率。

    Nov, 2023

  • 重新 Nerfing: 通过新视角合成对神经辐射场施加几何约束

    通过 Re-Nerfing 方法，我们在 Neural Radiance Fields 的基础上使用多阶段的方法增加场景的覆盖范围，提高新视角的几何一致性，并通过新合成的图像实现结构和极线约束的优化，对 mip-NeRF 360 数据集进行的实验证明了 Re-Nerfing 的有效性。

    Dec, 2023

  • CF-NeRF：无需相机参数的逐步学习神经辐射场

    通过增量式运动结构(SfM)启发的相机参数自由神经辐射场(CF-NeRF)模型，逐渐重建三维表示并恢复相机参数，能够鲁棒处理相机旋转场景，并在不提供先验信息和约束的情况下实现最先进的结果。

    Dec, 2023