关键词neural surface reconstruction
搜索结果 - 11
- VoxNeuS: 通过梯度插值加强基于体素的神经表面重建
采用梯度插值而不是原始解析梯度来消除其间断性的基于体素的轻量级表面重建方法 VoxNeuS 在消除渐变不稳定性的同时,通过几何 - 辐射分离架构处理几何形变,以提高重建质量。
- 3D 神经边缘重建
Real-world objects and environments predominantly consist of edge features. In this paper, the authors propose EMAP, a m - PoRF: 准确神经表面重建的姿态残差场
我们提出了一种新的隐式表示方法,使用 MLP 来回归姿态更新,通过参数共享利用整个序列上的全局信息,同时引入了基于极线几何的监督来提高神经表面重建的准确性。我们的方法在真实场景中优化相机姿态,改进了神经表面重建的准确性。
- SC-NeuS:从稀疏和嘈杂视角进行一致的神经表面重建
本文提出了一种名为 SC-NeuS 的联合学习策略,该策略利用多视角约束从稀疏视图中恢复连续表面重建,并获得了比现有的神经表面重建方法更好的重建结果。
- 利用神经模板正则化从不同视角进行 3D 重建
本文提出了一种基于体绘制的神经表面重建方法,它只需要三张不同的 RGB 图像作为输入。我们的关键点是通过规范化重建来解决严重的不适定问题。我们的方法 DiViNet 分为两个阶段,第一阶段学习不同场景下的 3D 高斯函数模板,第二阶段使用预 - CVPR神经安格洛:高保真神经表面重建
本文介绍了一种新的神经表面重建方法 Neuralangelo,该方法结合了多分辨率 3D 哈希网格和神经表面渲染的表示能力。通过利用数值梯度和粗到细优化控制不同级别的细节,即使在没有深度等辅助输入的情况下,Neuralangelo 也可以从 - 可推广神经表面重建中的渲染思考:基于学习的解决方案
本研究介绍了一种利用 Transformer 架构将重建过程重新设计的新框架,名为 Reconstruction TRansformer(ReTR),其增强了光子与表面交互建模,同时通过在高维特征空间操作(而非颜色空间),缓解了源视角中投影 - CVPRPET-NeuS: 神经表面的位置编码三平面
本文建立新的神经表面重建方法,在 signed distance function 的基础上结合 tri-plane 表示,采用可学习的位置编码和卷积操作,通过实验在标准数据集上大幅提高了表面重建的精度。
- 动态点场
本文提出了一种动态点场模型,它将显式点图形的表现优势与隐式形变网络相结合,以便有效地建模非刚性 3D 表面,并演示了该模型在创建表情逼真的可动人体形象方面的优势。
- ICLRVoxurf: 基于体素的高效精确的神经表面重建
本文介绍了一种基于体素的表面重建方法 Voxurf,它通过两步训练、双重颜色网络和层次几何特征等关键设计解决了体素网格在重建精细几何以及缺乏空间一致性方面存在的问题,相较于之前的全隐式方法,Voxurf 在训练速度提高 20 倍的同时还能获 - 基于体渲染学习神经隐式曲面的多视角重建
该研究提出了一种新颖的神经表面重建方法 NeuS,将表面表示为带符号距离函数的零水平集,并开发了一种新的体积渲染方法来训练神经 SDF 表示,自主进行高保真度的物体和场景三维重建。