- OpenObj:具有细粒度理解的开放词汇对象级神经辐射场
通过 OpenObj 方法,在 3D 场景重建方面,有效地建立开放性对象级别的 Neural Radiance Fields,以实现细粒度的理解和零 - shot 语义分割。
- RefGaussian: 解开真实渲染中的三维高斯点云分层中的反射
通过提出的 RefGaussian 方法,可以从 3D-GS 中解离出反射,以更真实地建模反射。实验证明,我们的方法在新视角合成和准确深度估计方面取得了优越的结果,同时支持场景编辑应用,确保高质量的结果和物理一致性。
- 通过 3D 高斯填充直接学习网格和外观
通过将不同可分辨外观模型与显式几何表示相结合,我们提出了一种可学习的场景模型,用于准确重构包含显式几何信息的三维场景,实验结果表明,该模型不仅在渲染质量方面达到了最新水平,而且还支持使用显式网格进行操作,并且具有适应场景更新的独特优势。
- ActiveNeuS: 使用神经隐式表面不确定性的主动三维重建
提出了一种名为 ActiveNeuS 的方法,该方法在选择视图时考虑了不确定性,通过同时计算图像渲染不确定性和神经隐式曲面不确定性,避免了稀疏输入训练阶段引入的偏差,通过使用曲面信息和格点高效地选择多样的视点,提升了 3D 场景重建的性能。
- 自主隐式室内场景重建与边界探索
通过引入基于前沿探索任务的全局覆盖和基于隐式表面不确定性的重建任务,结合使用颜色不确定性实现隐式表面不确定性的方法,提出了一种自适应策略来在视角路径规划中切换模式,以减少时间并保持卓越的重建质量。该方法在所有规划方法中展示了最高的重建质量和 - CVPRNeRF-HuGS: 面向非静态场景的改进神经辐射场,使用启发式引导分割
提出了一种名为 “启发式引导分割”(HuGS)的新范式,通过将手工制作启发式规则和最先进的分割模型的优点巧妙地结合在一起,显著增强了静态场景与瞬态干扰物的分离能力,同时克服了以往解决方案的局限性,可显著减少 NeRFs 训练中非静态场景下的 - BAD-Gaussians:捆绑调整模糊高斯喷塗
BAD-Gaussians 是一种新的方法,利用显式高斯表示和处理照相机姿势不准确的重度运动模糊图像,实现高质量的场景重建,并通过显式优化控制点云的高斯球来实现实时渲染。
- Den-SOFT:6-DOF 沉浸式体验的稠密面向空间的光场数据集
我们建立了一个自定义的移动多相机大空间密集光场捕捉系统,为各种场景提供一系列高质量和足够密集的光场图像。我们的目标是为 IBRnet、NeRF 和 3D 高斯分解等流行的 3D 场景重建算法做出贡献。此外,我们收集的数据集比现有数据集更密集 - 热 NeRF:红外相机的神经辐射场
利用红外热成像技术实现远红外空间热急剧变化的三维场景重建,克服了常见的低光照和视觉阻塞等不利因素,提高了场景重建的质量。
- GaussCtrl: 多视图一致的文本驱动 3D 高斯点绘制编辑
提出了 GaussCtrl,一种使用文本驱动的方法来编辑由 3D Gaussian Splatting (3DGS) 重建的 3D 场景。该方法首先通过使用 3DGS 渲染一系列图像,然后使用基于输入提示的预训练二维扩散模型 (Contro - 基于深度学习的立体稠密匹配数据集转移评估
从 LiDAR 和图像直接生成地面实况视差图以产生大量且多样化的数据集,并通过 LiDAR 与图像间的配准细化方法来避免精度损失和处理遮挡,从而实现了在不同数据集中评估 11 种密集匹配方法,其中 GANet 在相同的训练和测试数据上表现最 - ProvNeRF: 以随机过程建模 NeRFs 中每个点的属性
ProvNeRF 模型通过将每个 3D 点的来源或起源和相关信息建模为稀疏、不受约束视图下的随机过程的概率最大化估计的方式,丰富了传统的 NeRF 表示。与现有方法相比,该模型具有不确定性估计、基于准则的视图选择和提高新视图合成的优势。
- 城市在网络上:实时神经渲染大规模场景
我们提出了一种称为 City-on-Web 的方法,通过将整个场景划分为可管理的区块,并采用适当的细节级别,以确保高保真度、高效的内存管理和快速渲染,实现了对大规模场景的实时渲染在资源受限环境下的第一次尝试。我们的实验结果表明,我们的方法在 - 基于几何引导的稀疏视图神经表面重建的光线增强
本文提出了一种从稀疏多视角图像重建三维场景和对象的新方法,通过利用嵌入在多视角输入中的场景属性,创建精确的伪标签进行优化,而无需任何先验训练。我们的方法通过利用球谐函数来预测场景中点的新辐射,综合考虑所有颜色观察结果,从而提高稀疏视图的表面 - 通过在 NeRF 中进行空间变形,保护隐私信息
本研究通过一个创新的攻击方法,引入了一个保护用户隐私免受神经辐射场(NeRF)模型生成能力影响的方法。我们的方法通过对被观察视图进行几乎不可察觉的改动,从而扰乱了 NeRF 对 3D 场景的准确重构能力。我们使用一个双层优化算法,结合了基于 - PC-NeRF:自动驾驶环境下局部传感器数据丢失的父子神经光线场模型
借助父 - 子神经辐射场(PC-NeRF)框架,通过利用部分丢失的传感器数据,实现大规模三维场景的高精度重建,并保证了解决部分传感器数据丢失情况下的高部署效率。
- 使用场景先验的通用神经场进行三维重建
在高保真度 3D 场景重建方面,神经场的最新进展已经有了实质性的提升。然而,大多数现有方法为每个独立场景训练单独的神经网络,这不可扩展、低效且对有限视角下的结果不理想。本研究引入了训练可推广的神经场,将场景先验结合其中,从而更好地解决上述问 - 利用掩模引导的自适应一致性约束改善神经室内表面重建
通过两阶段训练过程、解耦视角相关与视角无关颜色、借助两个新的一致性约束来提高详细重建性能,同时引入关键的掩码方案以自适应地影响监督约束的选择,从而改善自我监督范式下的性能,在合成和真实世界数据集上的实验证明了降低先验估计错误干扰和实现高质量 - 神经辐射场的即时持续学习
神经辐射场是一种有效的新视点合成和三维场景重建方法。我们提出了一种连续学习框架,通过回放方法结合混合的显式和隐式场景表示来训练神经辐射场,从而在连续设置中优于先前方法的重建质量,并在速度上有数量级的提升。
- ICCVFrozenRecon:基于冻结深度模型的无姿态三维场景重建
我们提出了一种新的测试时间优化方法,可以将仿射不变深度模型的健壮性转移到具有挑战性的多样化场景,同时确保帧间一致性,每个视频帧只需优化几十个参数。实验证明,我们的方法在五个零样本测试数据集上实现了最先进的跨数据集重建。