去除神经辐射场中的深度先验
提出一种名为 D"aRF 的新框架,通过在线互补训练将 monocular depth estimation (MDE)网络的强大几何学优势与 Neural radiance fields(NeRF)表示相结合,通过缓解单眼深度的歧义问题来提高其鲁棒性和一致性,在少量真实世界图像情况下实现了强大的 3D 重建和新视角综合,成功解决了现有方法在不同类型场景或数据集上的局限性。
May, 2023
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
通过将深度先验与 Neural Radiance Fields(NeRFs)相结合,我们调查了 NeRFs 在航空图像块表示不同特征的能力,并将其与公开可用的航空图像基准数据集的结果进行了比较。
Apr, 2024
通过在室外神经辐射场中使用深度先验方法,本研究对常见的深度感知技术和各种应用方式进行了全面的研究和评估,实验证明了一些有趣的发现,有助于实践者和研究人员在训练具有深度先验的神经辐射场模型时获得更好的效果。
Aug, 2023
本文提出一种新的多视角深度估计方法,利用传统重建和基于学习的 prior,结合神经辐射场(NeRF)来直接优化隐式体积,消除室内场景中匹配像素的困难步骤,并使用自适应的深度先验来引导 NeRF 的优化过程,通过渲染图像计算出的逐像素置信度图可用于进一步提高深度质量。
Sep, 2021
本研究提出了 Obj-NeRF,一种综合管道,通过使用一个单一的提示从多视图图像中恢复特定对象的 3D 几何形状。该方法结合了 Segment Anything Model(SAM)的 2D 分割能力和 NeRF 的 3D 重建能力,并应用了几种有效技术。此外,研究还构建了一个包含多样化对象的大规模对象级 NeRF 数据集,可在各种下游任务中发挥作用。为了证明我们的方法的实用性,我们还将 Obj-NeRF 应用于包括对象去除、旋转、替换和重新上色在内的各种应用。
Nov, 2023
通过引入深度监督机制,结合 SFM(结构光运动)得到的 “自由” 深度监督信息,在学习 Radiance Fields 的过程中对射线的结束点进行分布的损失函数,并且证明这种监督方式简单有效,可以使得渲染图像更加精准,支持其它类型的深度监督。
Jul, 2021
SfMNeRF 提出了一种基于神经辐射场的方法,结合自监督深度估计方法对样本进行重构,同时利用极线和光度一致性等约束构建 3D 场景几何图像,提高了神经辐射场的表现,实现了更好地合成新视角。
Apr, 2023