May, 2024

NeRO：神经道路表面重建

PDF
TL;DR本研究介绍了一种利用多层感知机（MLPs）框架来通过输入的世界坐标 x 和 y 在高度、颜色和语义信息方面重构道路表面的新方法。我们的方法 NeRO 使用基于 MLPs 的编码技术，显著提高了对复杂细节的性能，并加快了训练速度，减小了神经网络的大小。通过其卓越的性能，我们证明了该方法的有效性，这表明了在语义应用中渲染道路表面的有希望的方向，特别适用于需要可视化道路状况、4D 标签和语义分组的应用。
computer visiongraphicsroad surfacesreconstructionmulti-layer perceptrons
发现论文，激发创造
  • NeRO: 多视角图像的反射物体神经几何与 BRDF 重建

    该研究提出了一种称为 NeRO 的基于神经渲染的方法，用于从采集于未知环境中的多视角图像中，重建反射物体的几何和 BRDF。该方法通过两个步骤解决了在多视角情况下反射物体重建的困难，并成功地重建出了几何和 BRDF。

    May, 2023

  • EMIE-MAP: 基于显式网格和隐式编码的大规模道路表面重建

    基于显式网格与隐式编码，提出一种用于大规模道路表面重建的新方法，通过区分场景物理属性和相机特性实现视角适应的道路重建，取得了优异的重建性能。

    Mar, 2024

  • 神经安格洛：高保真神经表面重建

    本文介绍了一种新的神经表面重建方法 Neuralangelo，该方法结合了多分辨率 3D 哈希网格和神经表面渲染的表示能力。通过利用数值梯度和粗到细优化控制不同级别的细节，即使在没有深度等辅助输入的情况下，Neuralangelo 也可以从多视角图像中有效地恢复密集的 3D 表面结构，比以前的方法实现了更高的精度，从而使得可以用 RGB 视频捕获对大规模场景进行详细的重建。

    Jun, 2023

  • 通过解离几何和外观来进行多视图神经表面重建

    本文介绍一种神经网络架构，通过联合学习未知几何形状、相机参数和神经渲染器，能够高质量、高精度、高细节地实现多角度 3D 表面重建。该方法通过零级集的神经网络表示几何形状，并采用基于渲染方程的神经渲染器来预测表面上的光的反射情况，具有广泛的光照和材质建模能力。

    Mar, 2020

  • RoMe：通过网格表达实现大规模道路表面重建

    本研究利用网格表示法提出了高效的方法 ——RoMe，通过多层感知机对三维道路进行了分解，并在每个网格顶点上添加了颜色和语义属性，以保留精细的路面细节。同时引入了一种新的路点抽样方法以提高效率，并提出外部校准优化以提高准确性。在公共数据集上的实验结果表明了 RoMe 的高效性和准确性。

    Jun, 2023

  • 结构化地形运动的神经场景表征

    本文提出一种基于学习的方法，重建移动机器人行进城市环境中的局部地形，通过算法估计机器人周围的地形，采用 4D 全卷积网络，可以利用合成数据进行训练，并在机器人上取得良好效果。

    Jun, 2022

  • 神经 RGB-D 表面重建

    该研究论文提出了一种基于截断有符号距离函数的 NeRF 框架的 3D 重建方法，结合 RGB-D 传感器和相机细化技术，得到高质量的空间重建结果。

    Apr, 2021

  • 通用反射光度立体的神经反渲染

    本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。

    Feb, 2018

  • 用于结构化在线地图的分层循环注意力网络

    通过层级循环网络输出结构化多段线，我们提出了一种用于在线道路网络提取的方法，并以新型可微分损失函数度量模型预测结果和真实路径的偏差。实验表明，该方法可在 90 公里的公路上正确恢复 92% 的拓扑结构。

    Dec, 2020

  • 基于神经渲染的自动驾驶城市场景重建

    利用多模态数据结合深度学习模型进行密集三维重建，从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。

    Feb, 2024