CVPRMar, 2024

SpikeNeRF：从连续脉冲流中学习神经辐射场

PDF
TL;DR使用尖峰相机数据，利用 SpikeNeRF 从尖峰相机数据中得出了基于 NeRF 的体积场景表示，既能在真实世界中去除错误测量，又能揭示出在各种真实世界的照明情况下一贯的结构，从而在某些场景中展现出比其他视觉传感器更大的优势。
发现论文，激发创造
  • 基于尖峰相机的神经辐射场 Spike-NeRF

    使用高时间分辨率的脉冲相机，我们提出了 Spike-NeRF，一种基于脉冲数据的神经辐射场，用于高速场景的三维重建和新视点合成。通过设计特殊的脉冲掩蔽和损失函数，我们从高频但不稳定的脉冲数据中重建了准确且稳定的三维场景，并通过合成实验验证了其优于现有方法和基线模型在高速场景中的视觉效果。

    Mar, 2024

  • 脉冲式神经位场：使仿生神经网络透视现实世界

    本文提出了脉冲神经元网络（SpikingNeRF），通过将辐射光线与 SNN 的时间维度对齐，以自然地适应 Radiance Fields 的重建，使计算以脉冲为基础，无需乘法运算，从而降低能耗。

    Sep, 2023

  • pixelNeRF：从一张或少量图像中生成神经辐射场

    我们提出了一种名为 pixelNeRF 的学习框架，可以在仅有一张或几张输入图像的条件下预测连续的神经场景表示。与现有方法相比，我们的体系结构不需要每个场景都进行优化，从而使得在仅有一张图像的情况下就可以执行视角的合成和单幅图像的三维重建。经过大量的实验证明，我们的模型在形状、类别和实景等方面都优于现有的最先进技术。

    Dec, 2020

  • 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

  • 神经辐射场的即时持续学习

    神经辐射场是一种有效的新视点合成和三维场景重建方法。我们提出了一种连续学习框架，通过回放方法结合混合的显式和隐式场景表示来训练神经辐射场，从而在连续设置中优于先前方法的重建质量，并在速度上有数量级的提升。

    Sep, 2023

  • 使用光线空间嵌入网络学习神经光场

    本文提出了一种紧凑且直接预测射线上积分辐射度的新型神经光场表示方法，支持小基线光场数据集每像素一次网络评估的渲染，并可应用于大基线场景。

    Dec, 2021

  • 利用神经辐射场实现实时视图合成

    该论文提出了一种名为 Sparse Neural Radiance Grid 的新方法，它使用学习的稀疏体素网格表示，通过对神经辐射场（Neural Radiance Fields）进行预处理和存储（烘焙）来实现实时渲染。通过该方法，可以在以往的基础上保留了 NeRF 渲染精细几何细节和视图相关外观的能力，实现在普通硬件上进行实时渲染。

    Mar, 2021

  • 使用神经辐射场表示场景进行视角合成

    本文介绍了一种使用深度神经网络进行视图综合和图像合成的方法，通过连续的体积场函数来优化复杂场景的视图，并在神经辐射场方面取得了最新的研究成果。

    Mar, 2020

  • 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

  • NeVRF：用于长时序列的神经视频辐射场

    NeVRF 利用神经辐射场与基于图像的渲染相结合，通过引入新颖的多视图辐射混合方法从多视图视频中直接预测辐射，实现对长时间动态内视场景的逼真新视点合成。通过利用连续学习技术，NeVRF 能够高效重构顺序数据的帧，不需要重新访问先前的帧，从而实现长时间自由视点视频。此外，通过一种量身定制的压缩方法，NeVRF 能够紧凑地表示动态场景，在实际应用中使动态辐射场更加实用。我们的实验证明了 NeVRF 在实现长时间序列渲染、顺序数据重构和紧凑数据存储方面的有效性。

    Dec, 2023