Jul, 2024

GeoNLF: 基于几何引导的无姿态神经激光雷达场

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 基于隐式姿态正则化的无姿态神经辐射场

    IR-NeRF 通过引入隐式姿态正则化来改善对真实图像的姿态估计鲁棒性，实现了卓越的新视角合成，并在多个合成和真实数据集上持续优于现有技术。

    Aug, 2023

  • GeCoNeRF：基于几何一致性的少样本神经辐射场

    本文提出一种新的框架来规范化在几个样本（few-shot）设置中的神经辐射场（NeRF），通过几何感知一致性正则化。该方法利用了未观察视角的渲染深度图来将稀疏的输入图像变形到未观察视角并将其作为伪地面实现 NeRF 的学习，从而在特征层面而非像素级重建损失上鼓励这种几何感知的一致性，实现 NeRF 在语义和结构层面上的规范化，同时允许建模视角依赖性辐射以考虑不同视角的颜色变化。同时，本文提出一种有效的方法来筛除错误变形的解，以及稳定训练优化的训练策略。我们展示了本文提出的模型与现有最先进的几个样本设置下的 NeRF 模型相比具有竞争优势。

    Jan, 2023

  • DiL-NeRF：透视街景中的激光雷达神经辐射场探究

    利用 Lidar 数据改善街景下基于神经辐射场的光线追踪和视图合成技术。

    May, 2024

  • DroNeRF：多智能体实时无人机姿态优化计算神经辐射场

    本文介绍了一种新型的优化算法 DroNeRF，用于通过少量图像实现单目相机无人机在物体周围自主定位，实现实时三维重建。文章使用 Neural Radiance Fields 或 NeRF，以只依赖于物体几何学而不使用任何外部定位系统的方式计算单个无人机的最佳姿态，并评估了生成的新视图的质量，表现出更好的感知度。

    Mar, 2023

  • 通过同步局部未优化的 NeRF 获取场景和位姿估计

    本文提出了一种名为 LU-NeRF 的方法，通过利用放松姿态配置的放松姿态配置来同时估计相机姿态和神经辐射场，通过局部到全局的优化和姿态同步等步骤， 在一般的 SE（3）姿态设置下，无需对姿态先验进行强制约束，相比先前无姿态配置进行的 NeRF 试验表现更佳，这也使得其为特征基于的 SfM 管道提供了互补的选择。

    Jun, 2023

  • GNeRF：基于 GAN 的神经辐射场无需姿态相机

    提出了 GNeRF 框架，将生成对抗网络（GAN）与神经辐射场（NeRF）重建结合起来，应用于复杂场景的视角合成。该框架通过两个阶段的端到端优化，解决了较少研究的未知相机姿态外部场景问题，并在多种场景中取得了优异的效果。

    Mar, 2021

  • 评估 NeRF 重建的几何准确性与 SLAM 方法的对比

    这篇论文评估了两种 NeRF 场景重建方法，目的是估计一个垂直 PVC 圆柱的直径，其中一种方法使用了 iPhone 数据，另一种使用了机器人图像和姿态，并将其与激光惯性 SLAM 进行了噪声和度量精度方面的比较。

    Jul, 2024