May, 2024

Residual-NeRF: 学习透明物体操作的残差 NeRFs

PDF
TL;DR通过提出一种名为 Residual-NeRF 的方法，能够改善不透明物体的深度感知和训练速度，该方法通过学习场景的背景 NeRF 并结合背景和残差 NeRFs 进行推断，提供了综合性和真实性实验证明 Residual-NeRF 能够改善透明物体的深度感知。
发现论文，激发创造
  • Dex-NeRF：使用神经辐射场感知透明物体

    利用神经光辐射场技术检测、定位并推断透明物体的几何形状，结合光源的设置和透射率感知的深度渲染，实现了透明物体的稳定夹取，其成功率分别达到了 90% 和 100%。

    Oct, 2021

  • 使用可推广的 NeRF 基于多视角的透明和高光物体的 6-DoF 抓取检测 GraspNeRF

    本文提出了一种基于多视角 RGB 的 6 自由度预抓取检测网络 GraspNeRF，利用可转换的神经辐射场（NeRF）实现材料无关的物体预抓取，在杂乱的环境下可实时检测出 6 自由度的抓取，实验结果表明该方法在合成和真实环境中表现优异。

    Oct, 2022

  • SAID-NeRF：透明物体的分割辅助 NeRF 深度补全

    使用 Visual Foundation Models（VFMs）以零样本、无标签的方式，通过同时重建语义场和增强模型来指导 NeRF 重建过程，从而获取透明物体的准确深度信息。我们的方法 SAID-NeRF 在透明物体深度完成数据集和机器人抓取方面展现了显著的性能。

    Mar, 2024

  • 透明和镜面对象的神经折射 - 反射场中的 3D 重建和视图合成

    本文介绍了一种新的方法，即折射 - 反射场，用于解决透明和镜面对象合成中的光线路径复杂性问题，并提出了一种虚拟锥超采样技术实现高效且有效的抗锯齿。通过在真实世界和合成数据集上进行测试，并对各种编辑应用进行定量和定性评估，包括材料编辑、对象替换 / 插入和环境照明估计，我们对该方法进行了基准测试。

    Sep, 2023

  • 透明物体的神经辐射场法使用视体

    我们提出了一种基于 NeRF 的方法，通过三个步骤解决了传统 NeRF 在透明对象方面的局限性。首先，使用可视外形重建透明对象的三维形状。其次，根据斯涅尔定律模拟透明对象内部的光线折射。最后，通过折射光线采样点，并将其放入 NeRF 中。实验结果表明，我们的方法解决了传统 NeRF 在处理透明对象方面的限制。

    Dec, 2023

  • INeRF: 反演神经辐射场用于姿势估计

    iNeRF 是一种基于 “倒置” 神经辐射场（NeRF）的框架，它可以通过合成图像与观察图像像素之间的残差最小化来实现无网格姿态估计。实验表明，iNeRF 可以应用于复杂的真实场景中，还可以执行目录级别物体姿态估计。

    Dec, 2020

  • 使用有噪数据的隐式对象映射

    本文评估了使用受限的真实世界数据来训练神经辐射场中的单个对象表示的质量，并介绍了一种将场景分解成多个基于对象的 NeRF 的流水线，使用嘈杂的对象实例掩码和边界框，并评估了该流水线对噪声位姿、实例掩码和训练图像数量的敏感性。

    Apr, 2022

  • FiG-NeRF：面向三维对象分类建模的图形 - 背景神经辐射场

    本研究使用神经辐射场（NeRF）从输入图像集合中学习高质量的三维物体类别模型，通过 2 组件 NeRF 模型，FiG-NeRF，实现场景的几何恒定背景和可变形前景的分离，从而仅使用光度监督和随意捕捉的物体图像即可学习准确的三维物体类别模型，并且可以进行精确清晰的无模分割和视图合成，并使用综合测量方法对方法进行定量评估。

    Apr, 2021

  • OR-NeRF：由多视角分割指导的神经辐射场，用于删除 3D 场景中的对象

    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

  • 单图像神经场实现机器人物体操作

    通过利用神经辐射场（NeRF）的一个紧凑的单一图像表示，我们能够从单一图像中推断物体渲染，三维重建和抓握姿势预测，从而比先前方案小两个到三个数量级，而实现可比的视图重建和抓握性能。

    Oct, 2022