Jun, 2024

使用极线几何从稀疏视角进行神经表面重建

PDF
TL;DR稀疏视图输入中重建表面的挑战一直存在着，本文提出了一种名为 EpiS 的新方法，它将对极线信息纳入重建过程，聚合了来自多个源视图的线级信息，生成精细的信号距离函数 (SDF) 感知特征，并通过注意力机制实现了特征融合。此外，本文还采用全局和局部正则化技术，整合了从单目深度估计中得到的深度信息，用于解决稀疏条件下的信息缺失问题。广泛的实验证明，我们的方法在稀疏和可推广条件下优于现有的方法。
发现论文，激发创造
  • NeuSurf：基于表面先验的稀疏输入视图下的神经表面重建

    利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。

    Dec, 2023

  • SparseNeuS: 基於稀疏視角的快速通用神經表面重建

    SparseNeuS 是一种基于神经渲染的表面重建方法，采用有符号距离函数（SDF）作为表面表示，通过几何编码体引入图像特征的通用先验知识进行预测，在利用稀疏视图进行高质量重建时采用了多级几何推理框架、多尺度颜色融合方案和一致性感知微调。实验证明了该方法在速度、泛化性能和灵活性方面均表现出优越性。

    Jun, 2022

  • 基于多层深度和极线变换的三维场景重建

    此研究论文研究如何从单个 RGB 图像自动重建场景的完整 3D 模型，它采用一种新的 Epipolar Feature Transformer 技术来联合图像的多层深度表示和卷积神经网络特征以提高场景信息的准确性。

    Feb, 2019

  • GenS：多视角图像的通用神经表面重建

    我们提出了 GenS，一个端到端的通用神经表面重建模型，可以通过结合有符号距离函数（SDF）和可微体渲染，将多视图图像无需 3D 监督进行表面重建。与现有解决方案相比，我们的表示更强大，能够恢复高频细节并同时保持全局平滑性。同时，我们引入多尺度特征度量一致性，以在更具区分性的多尺度特征空间中施加多视图一致性，从而抵抗光度一致性的失效。我们还设计了一种视角对比损失，通过将密集输入中的几何先验精炼到稀疏输入中，强制模型对少视角覆盖的区域具有鲁棒性。在流行的基准测试上进行的大量实验证明，我们的模型能够很好地推广到新场景，并且胜过现有的最先进方法，即使那些使用地面真实深度监督的方法。

    Jun, 2024

  • 利用表面先验重建稀疏点云的表面

    通过在表面上使用先验信息，使用神经网络从稀疏的 3D 点云中精确地重建表面，方法无需事先获取签名距离或点法向量，实现了最优的重建精度。

    Apr, 2022

  • 基于全局稀疏 - 局部稠密格点的快速单目场景重建

    研究使用 “符号距离函数” 结合 “稀疏体素块网格” 等算法实现室内场景的平面重建，相较于常规算法在训练与渲染速度上有数量级的提升，同时保持与现有方法相当的精度。

    May, 2023

  • Geo-Neus: 多视角重建的几何一致神经隐式曲面学习

    该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

    May, 2022

  • NeRSP：稀疏偏振图像用于反射物体的神经三维重建

    我们提出的 NeRSP 是一种用于具有稀疏偏振图像的反射表面的神经 3D 重建技术。通过利用偏振图像，我们共同处理了稀疏输入和反射表面所带来的挑战，并通过多视角一致性优化了表面几何模型。在合成和真实数据集上的实验证明，我们仅使用 6 个视角的输入就实现了最先进的表面重建结果。

    Jun, 2024

  • SC-NeuS：从稀疏和嘈杂视角进行一致的神经表面重建

    本文提出了一种名为 SC-NeuS 的联合学习策略，该策略利用多视角约束从稀疏视图中恢复连续表面重建，并获得了比现有的神经表面重建方法更好的重建结果。

    Jul, 2023

  • EpO-Net: 基于密集轨迹的几何约束在运动显著性中的应用

    利用多视角几何约束和轨迹极线距离识别背景和前景，结合光流和输入 - 丢失机制提出了一种有效的运动网络，与先前的方法相比在 DAVIS-2016、2017 和 Segtrackv2 数据集上均获得了更好的效果。

    Sep, 2019