DiL-NeRF:透视街景中的激光雷达神经辐射场探究
利用实际数据和图像,我们提出了一种新的 LiDAR 模拟方法 NeRF-LiDAR 用于生成真实的 LiDAR 点云,以便更有效地训练和验证自动驾驶算法,并可以通过预训练来提高准确性。
Apr, 2023
本文提出了一种用于 LiDAR 传感器的新型视角合成任务,并介绍了一种可微分的 LiDAR 渲染器及其结合神经辐射场的端到端框架,证明了该方法在多种数据集上的优越性。
Apr, 2023
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
本研究提出了一种基于神经场的大规模重建系统,它利用激光雷达和视觉数据生成几何精确且具有照片级真实纹理的高质量重建,同时使用激光雷达 SLAM 系统提供深度和表面法线的强几何约束来改进传统的神经辐射场表示方法。
Mar, 2024
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
本文提出了一种使用单光子激光雷达系统测量的时间分辨光子计数直方图来渲染瞬态 NeRFs 的新方法,并且通过少量输入视点的训练,相较于基于点云监督的方法能够更好地恢复几何和传统外观。瞬态 NeRFs 对于在自动驾驶、机器人技术和遥感领域中模拟原始激光雷达测量的下游任务特别有用。
Jul, 2023
该研究论文通过详细研究神经辐射场(NeRF)在工业应用领域的潜力,并提供未来研究方向,证明了 NeRF 在工业领域的潜力。此外,论文还展示了 NeRF 在视频压缩和三维运动估计方面的实验结果,证明了它们在这些应用中的有效性。
Aug, 2023
该研究通过提出 Enhance-NeRF 模型,增强神经放射场(NeRF)在虚拟现实和增强现实等领域的三维重建应用,改进了场景识别和学习能力,有望广泛应用于照明、材质和形状的室外场景重建,具备插拔式的易用性,并能够与其他 NeRF-based 模型轻松集成。
Jun, 2023
该论文主要研究使用神经辐射场(NeRF)方法对合成和真实场景进行 3D 重建,包括利用多分辨率哈希编码等技术在静态和动态场景重建方面的研究。其中,还着重探讨了神经辐射场(D-NeRF)对动态场景重建的应用,并成功将其推广至真实世界动态场景。
Oct, 2022