Entity-NeRF: 检测和移除城市场景中的移动实体
本文提出了一种新的街景神经辐射场模型(S-NeRF),它考虑了大规模背景场景和前景移动车辆的新视角合成,通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题,并使用嘈杂和稀疏的 LiDAR 点来提高训练的鲁棒性和减少深度奇异值出现的情况。我们的 S-NeRF 模型在各种大规模驾驶数据集上的实验证明了它优于现有最先进方法在街景合成中减少了 7%至 40%的均方误差,并在移动车辆渲染的 PSNR 方面获得了 45%的增益。
Mar, 2023
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
通过简单高效的方法,在复杂的野外场景中从仅仅随意捕捉的图像序列中合成新视角,去除干扰物以及极大地提高收敛速度,从而显著改进了现有技术,为 NeRF 在各种多样化的动态现实应用中开辟了新的研究方向。
May, 2024
本文提出了一种名为 OR-NeRF 的新型对象移除流水线,它可以在单个视图上通过点或文本提示从 3D 场景中移除对象,并在更短的时间内实现更好的性能。
May, 2023
借助大规模众包数据的神经光辐射场(NeRF)重建框架,解决了大规模重建中的数据获取问题,并利用这些数据训练 NeRF 模型生成高质量的 3D 场景。
Jun, 2024
本文提出了一种基于动态神经辐射场的算法,通过表面的位置和朝向在观测空间中进行条件化,像素的渲染基于不同姿态下的表面反射的颜色来实现遮挡的效果,有效地改善了单目 RGB 视频中移动高光物体的重建质量。
Mar, 2023
EmerNeRF 是一种基于神经场的简单而强大的方法,用于学习动态驾驶场景的空间 - 时间表示,通过自助引导实现静态和动态场的分解,以及引入流场参数化和聚合多帧特征,从而在重建静态和动态场景时取得了最先进的性能。
Nov, 2023
通过使用语义信息并在少量的图片上建立 occlusion filtering module,我们提出了一个学习框架来重建神经场景表征并演示了其在 Phototourism 数据集上在 few-shot 场景下优于最先进的 novel view synthesis 方法。
Mar, 2023
我们提出了 Drone-NeRF 框架,通过使用神经辐射场(NeRF)来增强适用于无人机倾斜摄影的无界大规模场景的高效重建,将场景根据摄像机位置和深度可见性划分为均匀的子块,在 NeRF 的并行训练中训练子场景,然后合并为完整场景,通过优化相机姿态和引导 NeRF 使用均匀采样器来完善模型,集成选择的样本提高准确性,哈希编码融合 MLP 加速密度表示,生成 RGB 和深度输出,该框架解决了与场景复杂性、渲染效率和无人机获取图像准确性相关的挑战,展示了有前景的能力。
Aug, 2023
通过三维空间一致性的分段中心数据集修剪框架 PruNeRF,本文提出了一种有效地识别和修剪干扰因素的方法,该方法能够在处理神经辐射场 (NeRF) 训练图像中的干扰时表现出色。实验证明 PruNeRF 在对抗干扰因素方面始终优于现有方法。
Jun, 2024