本论文提出了一种基于逐层自适应体素引导的点采样器，能够以高效的方式处理大规模场景点云，实现实时应用，并通过实验验证了该方法的有效性和高效性。

May, 2023

本文提出了一种新的方法，将点云渲染成表面，该方法可微并且不需要特定于场景的优化，可以用于表面法线估计、渲染全局点云、反向渲染和光线跟踪。通过直接推断给定点云所代表的底层表面与光线的交点，通过训练一个集合转换器可以将局部邻居点与光线的交点、表面法线和材料混合权重结合起来，使用 48 个网格进行模型训练，可应用于未见过的点云上，实现了比现有表面重建和点云渲染方法更高的估计精度。

Apr, 2023

本研究提出了一种基于点的方法，使用可学习的神经描述符来编码局部几何和外观信息，并学习深度渲染网络生成具有照片般逼真感觉的场景视图，同时避免显式表面估计和网格化，并适用于各种复杂场景，包括使用 RGB-D 传感器与标准 RGB 相机进行扫描的场景。

Jun, 2019

提出一种将神经点表示和神经体渲染结合的方法，使用高分辨率 UV 位移贴图约束神经点来实现更准确的表情控制，通过使用 GEP 射线采样策略和轻量级辐射解码过程，提高了渲染和训练效率。在 Multiface 数据集上通过实验验证了该方法的有效性。

Jul, 2023

我们介绍了一种新的方法，用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同，我们提出了一种混合场景表示，它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做，我们结合了两个世界的优势，通过保留优化过程中的有利行为：我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染，同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外，我们以交互帧率实现了快速推断，并可以提取显式点云以进一步提高性能。

Mar, 2024

最近深度学习点云上采样方法在改善自动驾驶系统的输入方面取得了进展，但仍然存在由于端到端学习导致的更密集点生成的不确定性问题。本文提出了一种基于射线的任意倍率上采样方法，通过隐式表面学习来模拟射线行进算法，实现更精确和稳定的射线深度预测。中点查询采样方法基于规则，能够在不需要使用 Chamfer 距离损失函数进行模型训练的情况下实现均匀的输出点分布。准确的输入点云内的真实地面信息使得自我监督学习成为可能。通过有限的计算资源和训练数据，结果证明了该方法在不同领域和训练场景中的多功能性。这使得上采样任务从学术研究过渡到实际应用。

Oct, 2023

通过改进射线采样方法，在保持真实感渲染结果的同时提高了神经辐射场训练的效率，加快了神经网络的收敛速度并更准确地感知场景的空间几何结构。

Aug, 2023

本文提出了一种新颖的双网络架构来学习减少所需样本点的数量，以实现高质量的神经表示，该方法优于现有的紧凑神经表示，可以实时渲染图像。

Jul, 2022

我们提出了一种从由 360 度校准相机组拍摄的一组稀疏视图中重建 3D 物体的新方法。我们通过混合模型，使用基于 MLP 的神经表示和三角形网格，表示对象表面。我们工作的一个关键贡献是一种新颖的以对象为中心的神经表示采样方案，其中的光线在所有视图之间共享。这种采样方案通过网格表示确保样本沿法线方向分布均匀。然后，通过可微分的渲染器高效地进行渲染。我们证明了这种采样方案能更有效地训练神经表示，不需要额外的分割蒙版的监督，能获得最先进的 3D 重建结果，并且适用于 Google 的 Scanned Objects、Tank and Temples 和 MVMC Car 数据集的稀疏视图。

Sep, 2023

通过多分辨率哈希表和 CUDA 核心的并行处理，我们能够在几秒钟内训练和呈现高品质的神经图形原语，极大地减少了浮点运算和内存访问操作。

Jan, 2022