- ECCVBeNeRF:从单个模糊图像和事件流生成神经辐射场
本研究提出了一种方法,通过从单个模糊图像和对应的事件流中恢复神经辐射场来模拟相机运动,并通过最小化合成数据和真实测量值之间的差异来联合学习隐式神经场景表示和恢复相机运动。
- 室内环境中部分观测对象的类别级神经场重建
通过引入类别级神经场,我们提出了一种改进的方法来重建场景中部分可见的物体,提高三维重建的效果,并在模拟和真实数据集上进行了实验证明。
- DVN-SLAM:基于局部 - 全局编码的动态视觉神经 SLAM
基于局部 - 全局融合神经隐式表示的实时动态可视化 SLAM 系统 (DVN-SLAM) 能够提高场景表示能力、处理渲染过程中的不确定性,并在多个数据集上实现了竞争性的定位和映射性能,在动态场景中表现出鲁棒性,这是与其他基于 NeRF 的方 - CVPR无符号正交距离场:多样化 3D 形状的准确神经隐式表示
基于无符号正交距离场的新型神经隐式表示法可实现准确重构曲面点而无需插值误差。
- TaylorGrid: 通过直接基于泰勒展开的网格优化实现快速高质量隐式场学习
通过在二维或三维网格上直接进行 Taylor 展开优化,提出了一种名为 TaylorGrid 的新型隐式场表示,旨在实现快速高质量的隐式场学习,并可以适用于 SDF 学习或 NeRF 等不同的隐式场学习任务。通过广泛的定量和定性比较,Tay - 可平铺材质纹理的隐式神经表示
我们探索正弦神经网络来表示周期性平铺纹理。我们的方法利用傅里叶级数,通过将正弦神经网络的第一层初始化为具有周期 P 的整数频率。我们证明了正弦层的组合仅生成具有周期 P 的整数频率。因此,我们的网络学习了周期模式的连续表示,无需插值即可在任 - FoundationPose: 统一的新物体 6D 姿态估计与跟踪
FoundationPose 是一个统一的基础模型,用于 6D 物体姿态估计和跟踪,通过神经内隐表示实现了对新视角的有效产生,并通过大规模合成训练、转换器结构和对比性学习公式实现了较强的广义性和优越的性能。
- GNeSF:泛化的神经语义场
基于神经隐式表示的 3D 场景分割方法,通过多视图图像特征和语义地图作为输入,采用软投票机制来聚合来自不同视图的二维语义信息,结合视角差异信息预测投票分数,通过可见性模块筛选掉遮挡视图的有害信息,在只有二维语义监督的情况下,能够综合合成语义 - 神经奇异黑塞:通过强制奇异黑塞实现无定向点云的隐式神经表示
基于神经隐式表示的重建方法通过使神经函数具备有符号距离函数的特性,结合拟合正则化项,可以从点云中重建出粗糙但贴合度较高的表面,同时有效抑制幽灵几何并从未定向的点云中恢复细节。
- MIPS-Fusion: 可扩展和稳健的在线神经网络 RGB-D 重建的多隐式子地图
我们引入 MIPS-Fusion,这是一种基于新颖的神经隐式表示 - 多隐式子地图的强大且可扩展的在线 RGB-D 重建方法。
- ICoNIK: 使用神经隐式表示在 k 空间中生成呼吸动态肝脏 MR 重建
通过使用神经隐式表示直接在 k 空间中生成无模糊的运动重建,我们的研究提出了 NIK 和 ICoNIK 两种重建方法,有效解决腹部磁共振成像过程中的运动伪影问题。
- CVPRNeuDA: 高保真隐式表面重建的神经可变锚点
本文研究利用可微分射线投射进行隐式表面重建。我们提出了一种高保真表面重建的柔性神经隐式表示方法 NeuDA,利用分层体素网格维护分层锚点网格。此外,我们还深入探讨了位置编码策略,并引入了一种简单的分层位置编码方法,以灵活利用高频和低频几何与 - CVPRIm2Hands: 学习交互双手形状的专注隐式表示
我们提出了 Implicit Two Hands (Im2Hands),这是第一个用于表示两只交互手的神经隐含表示方法。与现有的两手重建方法不同,Im2Hands 可以生成高度与图像一致的两只手的细粒度几何图形,同时解决了形状复杂性和交互背 - SNeRL: 语义感知神经辐射场与强化学习
本论文提出了一种基于视角图进行神经元无关表示的方法,使用语义感知的神经辐射场和卷积编码器共同地学习三维感知神经元隐式表示,在强化学习中实现语义感知的表征。
- ECCV学习近周期模式的连续隐式表示
通过使用基于坐标的 MLP 神经网络进行单个图像优化的方法,以及设计输入特征扭曲模块和周期性引导补丁损失函数来处理全局一致性和本地变化,同时引入周期性提议模块来解决周期性检测错误,从而学习出了一种神经隐式表示近周期图案的方法,并在 500 - ECCV对象组合神经隐式表面
该论文提出了一种新的框架 ObjectSDF 来构建具有高保真度的对象组合神经隐式表示,它结合了各个对象的有符号距离函数(SDF),并将语义信息转换为对象 SDF 的函数,以及开发了统一且紧凑的场景和对象表示。实验结果表明该框架在表示整体物 - 神经抓取:学习多机械手抓取的内隐表示
该研究介绍了一种支持多个机器手抓取对象的神经隐式表示方法, 允许在不同机器手之间传递抓取技能,并可用于 6D 对象姿态估计以及机器人在真实世界中的抓取。
- CVPRCOAP: 人的组合式关节占用情况
本研究提出了一种新型的神经隐式表示方法,旨在有效地对人体的关节运动进行建模、重构和合成,该方法利用具有局部感知能力的编码器 - 解码器结构将全身几何形状分解成局部身体部位,并学习局部复杂变形的神经隐式占据,同时考虑到身体部位的几何限制来提高 - CVPR信息熵优化的少样本神经体积渲染
本文提出了一种信息论正则化技术来解决少样本新视角合成的问题,并将其应用于神经隐式表示,通过对每条射线密度的熵约束来最小化重建不一致性,并进一步通过限制具有略微不同的视点的两条射线的信息收益来缓解训练图像从几乎冗余的视点获取的潜在退化问题。
- 动态单目视频的动态视角合成
该研究提出了一种基于神经隐式表示及不可导函数的算法,能够从动态场景中的单目视频中生成任意视角和任意输入时间步长下的新视图;通过联合训练一个不变的静态 NeRF 和一个时间变化的动态 NeRF,以及使用正则化约束的方式解决了样本不足的问题,其