- GS-Octree: 强光条件下健壮的物体级别三维重建的基于八叉树的高斯插值
融合了 3D 高斯喷洒与八叉树隐式表面表示的新方法用于重构精确几何,尤其适用于受强照明影响导致的镜面高光图像。
- GenS:多视角图像的通用神经表面重建
我们提出了 GenS,一个端到端的通用神经表面重建模型,可以通过结合有符号距离函数(SDF)和可微体渲染,将多视图图像无需 3D 监督进行表面重建。与现有解决方案相比,我们的表示更强大,能够恢复高频细节并同时保持全局平滑性。同时,我们引入多 - CVPR视频稳定的 3D 多帧融合
本文介绍了一种名为 RStab 的视频稳定化新框架,它通过体积渲染集成了三维多帧融合。我们引入三维多帧视角来生成稳定图像,解决了全帧生成和结构保留的挑战。该框架核心在于稳定渲染(SR)模块,在图像融合的基础上还融合了特征。通过投影将多帧的特 - 高斯不透明度场:无界场景中高效紧凑的表面重建
通过使用高斯不透明度场 (GOF),本研究提出了一种高效、高质量、紧凑的无界场景表面重建方法,该方法借助基于光线追踪的 3D 高斯体积渲染,直接提取来自高斯体积的几何信息,并通过正则化来改善几何表达,同时利用阶梯四面体提取方法适应复杂场景, - Co-Occ: 融合显式特征融合和体渲染正则化的多模态三维语义占据预测
该研究论文提出了一种名为 Co-Occ 的新型多模态 LiDAR - 相机三维语义占据预测框架,通过显式 LiDAR - 相机特征融合和隐式体素渲染正则化,有效地处理了多模态语义占据预测中不同模态数据的异构性、错配性和互作不足问题,从而提高 - 一种新的体数据隐式神经表示
提出了一种新的隐式神经表示压缩方法,利用 Lanczos 降采样方案、SIREN 深度网络和 SRDenseNet 高分辨率方案,实现了高压缩比和良好的图像重建质量,同时降低了训练时间和 GPU 内存成本。
- 基于神经辐射场的全息术 [邀请]
该研究提出了一种基于神经辐射场(NeRF)技术的生成全息图的新方法。使用深度神经网络在合理的时间内构建了从 2D 图像生成的 3D 光场的渲染流程,包括 NeRF、深度预测器和全息图生成器,而不需要任何物理计算。通过该流程,可以计算从任意方 - 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。
- Sur2f:多视图图像的高质量高效表面重建的混合表示
该研究提出了一种名为 Sur2f 的新的混合表示方法,采用隐式有符号距离场和显式替代表面 Sur2f 网格的并行流,通过共享的神经渲染器实现了隐式有符号距离函数的体积渲染和替代网格的表面渲染的一体化,同时在替代网格的形变中使用从隐式有符号距 - NoPose-NeuS:联合优化相机姿态与神经隐式表面的多视图重建
NoPose-NeuS 是一种将 NeuS 扩展到联合优化相机姿势、几何和颜色网络的神经隐式表面重建方法,通过将相机姿势编码为多层感知器 (MLP) 并引入多视图特征一致性和渲染深度损失,约束学习到的几何来获得更好的相机姿势和场景表面估计。 - AAAI用于以视觉为中心的自动驾驶的中间 3D 特征调节
Vampire 通过体积渲染在多摄像头感知任务中调控中间密集的 3D 特征,并在各种下游感知任务中展现出与现有最先进方法相竞争的能力。
- 混合神经渲染:自适应体积表面的高效神经渲染
使用混合的神经辐射场(HybridNeRF)方法,将大多数对象作为表面渲染,同时以体积化的方式对挑战性区域进行建模,以提高视图合成的质量和实时性。
- 高质量神经渲染的各向异性神经表征学习
通过学习隐式体积表示来改善场景表示和重建的方法,利用学习的视角相关特征将体积函数建模为球谐(SH)引导的各向异性特征,通过参数化多层感知机提高渲染质量,并通过能量正则化实现鲁棒的场景重建,该方法可在基于 NeRF 的框架中应用。广泛的实验证 - 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。
- 通过具有注意深度融合先验的体渲染学习神经内隐
通过体积渲染和专注深度融合先验进行多视角 RGBD 图像学习神经隐式表示,以准确进行 3D 重建。该方法利用截断有符号距离函数(TSDF)从所有可用的深度图像融合并感知粗糙三维结构,解决了通过体积渲染进行几何推断的不完整深度和被遮挡结构的问 - 点引导的神经隐式表面重建:体积渲染
利用点引导机制实现精确和高效的多视图重建,通过优化神经投影模块和隐式表面表示,提高面向细节和光滑区域的高质量曲面重建,并且对噪声和稀疏数据具有很强的鲁棒性。
- 借助自监督视觉变换器进行神经转换函数设计
使用自监督预训练视觉转换器的特征提取能力,我们提出了一种用于体绘制的传递函数定义方法。用户只需在切片查看器中选择感兴趣的结构,我们的方法将基于神经网络提取的高级特征自动选择类似结构。与之前的基于学习的传递函数方法不同,我们的方法不需要模型训 - ICCV坐标量化的神经隐式表示法在多视图重建中的应用
学习神经隐式表示的研究取得了巨大的进展,该研究介绍了使用量化的坐标来减少优化过程中的不确定性和歧义,通过体渲染使用离散坐标和其位置编码来学习隐式函数,从而在多个视图的光线交汇点上触发更多的多视点一致性约束,提高了推断隐式函数的效率。
- ICCVMonoNeRD: NeRF 式的单目三维物体检测表示
在单目三维检测领域,为了提高检测性能常常使用场景几何线索,然而现有的方法明确采用这些线索,例如估计深度图并将其反投影到三维空间。为了缓解这个问题,我们提出了 MonoNeRD,这是一个能够推断密集三维几何和占用的新型检测框架,我们将场景建模 - 通过学习辐射传输梯度实现神经照明和次表面散射
本文提出了一种基于体渲染的光传输场学习框架,利用各种外观线索来优化几何,扩展重建和重新照明的能力,提高对于具有亚表面散射效应等更多种材料的处理能力。