- 机器人中的 NeRF:一项综述
我们的调查分为两个主要部分:Neural Radiance Field 在机器人领域的应用和 Neural Radiance Field 在机器人领域的进展,从 Neural Radiance Field 进入机器人领域的角度。在第一部分中 - 通过知识蒸馏增强单视景物补全的自监督学习
通过融合多个图像的密度场,我们提出了一种更准确的单视图场景重建方法,特别适用于遮挡区域。
- CVPR学习动态四面体进行高质量的说话头部合成
通过神经网络对显式动态网格进行编码的混合表示方法 Dynamic Tetrahedra (DynTet) 提供了一种有效的几何一致性,解决了在准确建模复杂面部变形方面缺乏显式几何约束的困境。与以往的工作相比,DynTet 在保真度、口型同步 - Reg-NF: 神经场中隐性表面的高效配准
本研究采用神经场进行注册,通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换,实现连续隐式表示的多个神经场的注册,同时讨论神经场在无约束环境中的应用挑战和未来研究方向。
- LISNeRF 绘图:基于语义神经场的大规模三维场景基于 LiDAR 的隐式绘图
本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法,使用隐式表示进行建模。通过浅层多层感知机(MLPs)从隐式特征解码出语义信息和有符号距离值,并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化,最后利 - ICCVGridPull:针对从 3D 点云中学习隐式表示的可扩展性
通过快速查询网格和使用树结构加速到表面的距离计算,我们提出了 GridPull 来从大规模点云中改善学习隐式表示的效率。
- 基于视觉 - 触觉反馈的物体整体变形和接触区域估计
本研究提出了一种利用视触反馈隐式表示共同模拟物体变形和接触区域的神经变形接触场表示法(NDCF),并通过训练模拟数据以及无需微调便能将其应用于真实世界。实验结果表明,相对于点云表示法,NDCF 在模拟数据和真实场景下都表现更好。
- 一次性隐式可塑人脸建模与一致纹理参数化
本文提出了一种构建隐式 3D 变形人脸模型的新方法,使用了学习得出的 SDF 和明确的 UV 贴图参数化,从而实现了单张图片的重建、面部表情动画的修改和纹理的直接绘制,相较于现有技术在照片逼真度、几何和表情精度上有了提升。
- 神经辐射场:过去、现在和未来
本篇论文探讨了 Neural Radiance Fields(NeRFs)在 3D 计算机视觉、计算机图形学和机器学习等领域的应用,包括历史、研究进展、潜在应用和影响等方面,并对相关研究进行了分类总结。
- 隐式表示先验与黎曼几何相遇:贝叶斯机器人抓取
使用隐式表示构建场景相关的导数并应用基于模拟的贝叶斯推断算法来确定手势成功的方法在模拟和物理基准测试中展示了较高的成功率和有前途的潜力。
- CVPRHexPlane:快速的动态场景表示
通过学习特征的六个平面对动态 3D 场景的显式建模,开发了一种高效的解决方案,称为 HexPlane,在节约训练时间的同时,能够在视角合成方面取得与之前研究相匹配的结果。
- SHINE-Mapping: 使用稀疏分层隐式神经表示的大规模 3D 地图绘制
本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法,并利用二进制交叉熵损失来优化局部特征。在此基础上,设计出一种具有正则化性能的增量式映射系统,以解决连续学习中遗忘问题。实验结果 - CVPRSelfRecon: 从单眼视频中自动重建数码头像
该研究提出了一种结合隐式和显式表达的身体重建方法 SelfRecon,可从单眼自旋人类视频中恢复空间 - 时间一致的几何形状,细节采用可微分神经渲染进行精细处理。
- 自由视点视频的时空神经辐照场
该研究提出了一种从单个视频学习动态场景的时空神经辐射场的方法,能实现自由视角渲染输入视频。该学习方法建立在最近关于内隐表示的进展之上,利用视频深度估计方法的场景深度来约束我们的动态场景表示的时变几何,将单个帧中内容聚合为一个全局表示,并提供 - 神经无符号距离场用于隐函数学习
本论文提出了一种名为神经距离场(Neural Distance Fields)的神经网络模型,可用于预测稀疏点云的非闭合曲面的符号距离场,以重构有内部结构的物体的表面,并实现了面法线计算和渲染。
- Grasping Field: 学习人手抓取的隐式表示
通过学习基于隐式表征的对象重建的最新进展,借鉴其思想,提出了一种高效且易于与深度神经网络集成的人体抓握模型表示,通过手、对象和接触区隐式表面的 3D to 2D 映射,生成高质量、物理合理的人体抓握姿态,实验结果表明,与现有方法相比,该方法 - 学习形状的隐式几何规则化
本文提出了一种从原始数据(即点云)中直接计算高保真度隐式神经表示的新范式,它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性,利用神经网络表示任务的表面形状的零水平集,避免不良零损失解,实验表明该方法与之前的方 - CVPR从原始数据中无差别地学习形状的 SAL 算法
本文介绍了一种神经网络深度学习的方法,用于直接从原始的几何数据(如点云和三角形网格)中学习隐式形状表示,并已在表面重建和人形态空间学习等领域取得最先进的成果,使得几何深度学习在真实世界的数据上应用变得更加便利。