- RaNeuS: 射线自适应神经表面重建
应用可微辐射场重建图像中的细节、平衡渲染和几何重建两个目标以生成准确而详细的三维表面。
- 循环图中的旋转平均:基于原始 - 对偶方法和闭合形式
通过最大似然估计的方法,本文针对旋转平均问题提出了一种新的原始 - 对偶方法,以解决在计算机视觉和摄像机网络标定中使用的非凸高维优化问题,并在多个情境中对该方法进行了基准测试,通过对偶理论验证了解决方案的有效性和性能提升。
- Ultraman:超高速详细单张图像 3D 人体重建
使用 Ultraman 方法,通过单张图像快速重建具有高质量纹理细节的 3D 人体模型,方法包括几何重建、纹理生成和纹理映射三个部分,通过实验证明其在各种标准数据集上的卓越性能和优于其他方法的人体渲染质量和速度。
- GeoGaussian:面向场景渲染的几何感知高斯喷射
通过 GeoGaussian 方法,采用高斯喷洒优化过程,保留场景几何结构的特性和纹理,提高了 3D 高斯在结构化区域中的生成能力,在公共数据集中定性和定量评估中实现了最先进的新视图合成和几何重建性能。
- MuSHRoom:多传感器混合室内数据集用于联合三维重建和新视点合成
通过提出多传感器混合房间数据集(MuSHRoom),对几个著名管道进行基准测试,并提出一种新的方法,可以在消费级设备上实现 3D 重建和新视角合成的融合,从而促进了提高 3D 重建和高质量渲染的性能。
- NeRF 重访:修复体积渲染中的积分不稳定性
我们提出了一种通过重新定义基于样本的渲染方程,解决神经辐射场在体渲染中的多个问题,如样本冲突、层次采样精度不准确以及模型参数对射线终止距离分位点的导数不可微等,同时实现更锐利的纹理、更好的几何重建和更强的深度监督。
- 轻场景神经渲染
本文提出了一种基于四维光场表示的双阶段变压器模型,旨在弥合几何重建和经典光场渲染之间的差距,通过强制约束几何约束,使得场景几何隐含在稀疏的视角学习中,并在多个前向和 360 度数据集上超越了最先进技术,尤其是在视角变化剧烈的情况下。
- 分秒之间的旋转平均值:一种基于原始对偶方法和闭合形式的循环图算法
本文从最大似然估计的角度出发,提出了一种新的无需初始化的原始 - 对偶方法来解决旋转平均问题,同时,在循环图中得出了旋转平均的第一个闭合解,这一方法在精度和性能方面都有了显著的提升。
- 基于图像抓取提案与三维重建的机器人抓取
本文介绍了一种基于学习抓取提案网络和学习三维形状重建网络的机器人抓取规划方法,使用几何重建来优化抓取提案网络生成的抓取点,实现了在图像中看不到抓取位置的情况下,对已知和未知物体进行准确抓取。实验结果表明,与其他模型相比,该方法在抓取任务中取 - SemanticPaint:一个用于交互式分割三维场景的框架
本文介绍了 SemanticPaint 的实时开源实现,它能够实现几何重建、对象类别分割和 3D 场景学习;用户可以在佩戴深度相机和虚拟现实头戴设备的情况下,与真实场景进行物理交互并为场景中的对象分配标签,使用在线随机森林机器学习算法对先前