高斯 SR: 二维扩散先验下的三维高斯超分辨率
提出了 Super-Resolution 3D Gaussian Splatting (SRGS) 方法,通过在高分辨率空间中进行优化,引入亚像素约束并与预训练的 2D 超分辨率模型集成,以有效增强原语的表示能力。在 HRNVS 方面实现高质量渲染,优于 Mip-NeRF 360 和 Tanks & Temples 等挑战性数据集上的现有方法。
Apr, 2024
DiSR-NeRF 是一个利用扩散引导的框架来实现视图一致的超分辨率 NeRF,该方法通过利用现有的强大 2D 超分辨率模型来规避高分辨率参考图像的要求,并通过 NeRF 的内在多视图一致性属性提出了迭代的 3D 同步技术来减轻 LR 渲染图像之间不一致的问题。通过 Renoised Score Distillation,我们进一步引入了一种新颖的用于 2D 图像分辨率的评分蒸馏目标函数。我们的 DiSR-NeRF 在合成和真实世界数据集上进行的定性和定量结果表明,与现有方法相比,我们的方法在 NeRF 超分辨率上可以取得更好的效果。
Apr, 2024
Sparse3D 是一种针对稀疏视角输入的新型三维重建方法,通过从强大的图像扩散模型提取 2D 先验,使得我们的综合模型在面对开放世界对象时仍能始终保持高质量的结果,并借助 C-SDS 技术来增强细节,实验证明了我们的方法在 NVS 和几何重建方面优于之前的最先进工作。
Aug, 2023
通过自我监督学习的新框架,我们能够在有限的噪声原始图像数量下,从原始图像中重建高动态范围(HDR)3DGS,克服了噪声的影响,提高了重建质量和推断速度。
Jun, 2024
我们提出了一种从稀疏训练视角中训练一致的基于 3DGS 的辐射场的方法,通过集成深度先验、生成和显式约束来减少背景折叠、移除浮点值,并增强来自未见视角的一致性,实验证明我们的方法在 MipNeRF-360 数据集上以较少的训练和推理成本超过了基本的 3DGS 的 30.5% 和基于 NeRF 的方法的 15.6%。
Nov, 2023
我们提出了一个统一框架,旨在增强三维生成任务的扩散先验。通过优化三维模型和扩散先验,我们的方法在性能和实施复杂性之间提供了多种配置,并在文本到三维生成领域取得了显著成果,成为新的技术先驱。
Dec, 2023
基于神经渲染技术,本研究提出了一种使用 3D Half-Gaussian 核的方法,以改进当前 3D Gaussian splatting 方法的性能,在不影响渲染速度的情况下,在多个数据集上获得了最先进的渲染性能。
Jun, 2024
使用高动态范围高斯点云模型和多层感知器(MLP)调制,建立了一种新的高动态范围高斯喷点(HDR-GS)框架,以有效渲染新的高动态范围(HDR)视图和重建低动态范围(LDR)图像,并通过两个并行可微光栅化(PDR)过程对 HDR 和 LDR 视图进行重建。实验证明,该方法在 LDR 和 HDR NVS 上分别超过了现有的 NeRF 方法 3.84 和 1.91 dB,同时拥有 1000 倍的推理速度和仅需 6.3%的训练时间。
May, 2024
通过在有限预算内进行训练和渲染,提出了一种改进的 3D 高斯粉碎(3DGS)模型,实现了较快速、高质量的新视图合成,并减少了模型大小和训练时间。
Jun, 2024