Oct, 2024

通过在零水平集上喷洒3D高斯的神经有符号距离函数推断

HTML
PDF
TL;DR本研究解决了基于多视角的表面重建中推断有符号距离函数(SDF)的难题。我们提出了一种将3D高斯喷洒与神经SDF学习相结合的方法，旨在通过多视图一致性有效约束SDF推断，最终实现更准确、平滑和完整的表面重建，并在常用基准测试中表现优于现有技术。
发现论文，激发创造
  • 神经拉力：学习从点云中学习符号距离函数并学习将空间拉到表面上

    本文介绍了一种新的方法Neural-Pull，利用神经网络简单且高质量地学习表面的符号距离函数，通过网络本身计算的符号距离值和查询位置的梯度来训练神经网络。在广泛使用的基准测试下，我们的结果优于现有最先进的方法，展示了对表面重建和单张图像重建可以更准确和灵活地学习符号距离函数。

    Nov, 2020

  • NeuSG: 基于神经网络的隐式表面重建与3D高斯喷点引导

    神经隐式表面重建方法通过引导来自三维高斯化簇粘附的点云，结合来自神经隐式模型的表面预测精炼来提高细节的重建效果。

    Dec, 2023

  • GSDF：3DGS 引入 SDF 以提升渲染与重构

    提出了一种新的双分支结构GSDF，它将3D高斯喷洒（3DGS）表示法的灵活和高效与神经符号距离场（SDF）相结合，通过相互指导和联合监督来缓解它们的局限性，并在各种场景上展示了我们的设计能够更准确、更详细地重建表面，并同时使3DGS渲染受益于与底层几何更加一致的结构。

    Mar, 2024

  • 3DGSR：基于3D高斯扩展通过隐式表面重建

    该研究论文介绍了一种包括隐式曲面重建、三维高斯光照插值以及体积渲染等方法组合的3D 曲面重建技术，实现了高质量的三维曲面重建并保持了高效率和渲染质量。

    Mar, 2024

  • 高斯不透明度场：无界场景中高效紧凑的表面重建

    通过使用高斯不透明度场 (GOF)，本研究提出了一种高效、高质量、紧凑的无界场景表面重建方法，该方法借助基于光线追踪的 3D 高斯体积渲染，直接提取来自高斯体积的几何信息，并通过正则化来改善几何表达，同时利用阶梯四面体提取方法适应复杂场景，实现了超越现有方法的表面重建和新视角合成效果，同时在质量和速度方面与神经隐式方法相比有明显优势。

    Apr, 2024

  • GaussianRoom: 利用 SDF 导引和单目线索改进的 3D 高斯点雨法用于室内场景重建

    通过将神经有向距离场（SDF）与三维高斯光斑（3DGS）相结合，我们提出了一个统一的优化框架，用于在室内场景中进行高质量的重建和实时速度的渲染。

    May, 2024

  • GSurf：通过直接高斯监督的签名距离场进行3D重建

    本研究针对多视角图像中的表面重建问题，提出了一种名为GSurf的新方法，直接从高斯原件学习签名距离场。通过使用高斯散布进行渲染，GSurf解决了常见的深度数据噪声和缺失导致的重建问题，实现了比现有技术更快的训练和渲染速度，同时保持了与神经隐式表面方法相当的重建质量。实验结果表明，GSurf在各类基准数据集上有效地生成了高保真度的3D重建。

    Nov, 2024

  • 通过高斯点云融合提升神经隐式SDF的效果

    该研究针对从图像观测中精准高效重建有符号距离函数（SDF）的基本问题，提出了一种新颖的神经隐式SDF模型“SplatSDF”。该方法通过架构级别融合3D高斯点云和SDF-NeRF，显著提升了几何和 photometric 精度以及收敛速度，最终在几何和光度评估中优于现有最先进的SDF-NeRF模型。

    Nov, 2024

  • G2SDF：基于显式高斯的隐式SDF表面重建

    本研究解决了从稀疏显式高斯表示中提取3D表面的挑战，提出了一种将神经隐式已签距场（SDF）与高斯点喷射框架相结合的新方法G2SDF。该方法通过链接高斯的不透明度值与其到表面距离，实现了高质量的表面重建与渲染，并在多个真实数据集上展示了优于以往方法的重建质量。

    Nov, 2024

  • GSurf：通过直接高斯监督的有符号距离场进行三维重建

    本研究针对传统三维重建方法在训练和渲染速度慢以及重建表面不完整等问题进行探讨。提出了一种新颖的端到端方法GSurf，能够直接从高斯原语学习有符号距离场，解决了由噪声或缺失深度数据引起的孔洞问题，并且实现了更快的训练和渲染速度，重建质量与当前的神经隐式表面方法相媲美，具有较强的应用潜力。

    Nov, 2024