CVPRJun, 2024

改进的基于物理增强连续神经辐射场的几何特异性系统识别与拉格朗日粒子优化

PDF
TL;DR几何无关的系统识别；物理增强连续神经光辐射场；混合欧拉 - 拉格朗日表示形式；拉格朗日粒子优化；稀疏视角设置。
geometry-agnostic system identificationphysics-augmented continuum neural radiance fieldshybrid eulerian-lagrangian representationlagrangian particle optimizationsparse-view settings
发现论文，激发创造
  • PAC-NeRF: 物理增强连续神经辐射场，用于几何无关的系统辨识

    从多视角视频中识别物理系统参数的方法是通过设计一种混合的欧拉 - 拉格朗日表示来实现的，该表示通过 Lagrangian 粒子平滑地移动 Neural Radiance Fields，具备有效的神经渲染和可靠的可微分物理学模拟。

    Mar, 2023

  • GeoNLF: 基于几何引导的无姿态神经激光雷达场

    基于点云的几何洞察力，我们提出了几何引导的神经雷达（LiDAR）场（GeoNLF），这是一个混合框架，通过交替进行全局神经重建和纯几何姿态优化来提供重建的明确注册先验。我们还开发了一种选择性加权策略，并引入几何约束进行鲁棒优化。在 NuScenes 和 KITTI-360 数据集上进行的大量实验表明，GeoNLF 在新视角合成和低频大规模点云的多视角注册方面具有优势。

    Jul, 2024

  • 基于点云神经辐射场的视觉定位

    通过统一基于点的表示，本文提出了一种新颖的视觉定位框架 PNeRFLoc，结合传统的基于结构的方法和基于渲染的优化，利用神经辐射场（NeRF）模型与视觉定位的特征进行融合，以提高定位准确性和效率。在处理合成数据时表现出最佳性能，并在视觉定位基准数据集上与现有最先进方法持平。

    Dec, 2023

  • 从多视角几何学中学习神经辐射场

    MVG-NeRF 组合了传统的多视角几何算法和神经辐射场 (NeRF) 用于基于图像的三维重建。我们提出使用像素级深度和法线来引导 NeRF 优化，以提高所估计表面的质量。实验结果表明，该方法可以从图像中获取干净的三维网格，同时在新视角合成方面具有竞争力的表现。

    Oct, 2022

  • 捆绑调整神经辐射场的局部到全局配准

    本文提出了一种基于像素灵活对齐以及帧级约束参数对齐的局部到全局检测方法 L2G-NeRF，该方法能够成功解决通过细节学习的 3D 表示及相机对齐的约束因素对神经辐射场的应用所带来的巨大限制。

    Nov, 2022

  • 利用神经辐射场进行未知空间物体姿态估计的接近操作

    通过使用神经辐射场（NeRF）方法和离散图像集合，本研究提出了一种新的方法来在未知目标中估计航天器的 6D 姿态，实现了在未知目标上应用已知目标 CAD 模型的现有航天器姿态估计器，从而实现了自主汇合与接近操作。

    May, 2024

  • 用学习增强的点表示学习鲁棒且具有普适性的辐射场与可见性特征

    提出了一种新型的泛化神经辐射场（NeRF）范式，通过基于点而非基于图像的渲染构建了可泛化的神经场，称之为可泛化神经点场（GPF）。该模型通过显式建模可见性并将其与神经特征相结合，提出了一种非均匀取样策略以提高渲染速度和重构质量，并利用特征增强的可学习内核在具有差异性几何结构的区域缓解形变。该研究表明，相比于其他方法和基准数据集，该模型在三个数据集上无论在泛化还是微调设置下，都能提供更好的几何形状、视角一致性和渲染质量，初步证明了该新范式在泛化 NeRF 中的潜力。

    Jan, 2024

  • 动态外观粒子神经辐射场

    提出了基于粒子表示的动态外观粒子神经辐射场（DAP-NeRF）模型，用于捕捉 3D 动态场景中的外观和运动，通过学习单目视频构建了有效的计算框架和新的数据集来评估运动建模效果。

    Oct, 2023

  • 寻找沃尔多：朝着 NeRF 场景空间的高效探索

    这篇论文介绍了一种场景探索的框架，通过使用神经辐射场（NeRF）模型的输入信息，提出了两种基线方法和一种准则不受限的进化导向姿态搜索方法，实现了对用户选择准则的新视角合成，最终通过实验证明了这种方法优于其他基线方法，并提出了未来场景探索研究的方向。

    Mar, 2024

  • Nerfies: 可变形神经辐射场

    描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。

    Nov, 2020