Nerf
PulseAugur coverage of Nerf — every cluster mentioning Nerf across labs, papers, and developer communities, ranked by signal.
- subsidiary of Hasbro 100%
- subsidiary of Parker Brothers 100%
- instance of ScienceCast 90%
- instance of Gotit.pub 90%
- instance of CatalyzeX 90%
- instance of alphaXiv 90%
- instance of Neural radiance field 90%
- instance of CORE Recommender 90%
- used by alphaXiv 70%
- used by ScienceCast 70%
- used by CatalyzeX 70%
- used by Gotit.pub 70%
4 天有情绪数据
-
新的 HDR-GS 框架提供 1000 倍速的新视角合成
研究人员开发了 HDR-GS,一个用于高动态范围新视角合成的新颖框架,该框架显著优于现有的基于 NeRF 的方法。HDR-GS 利用双动态范围 (DDR) 高斯点云模型和并行可微分光栅化 (PDR) 来高效渲染 HDR 和 LDR 图像。这种新方法在 LDR 和 HDR 新视角合成方面均取得了卓越的成果,同时大大缩短了训练时间并提高了推理速度。
-
AMD完成对李飞飞World Labs的82亿美元收购
AMD已正式完成对空间智能公司World Labs的收购,该公司由李飞飞联合创立。李飞飞将担任AMD执行副总裁兼首席科学家,直接向CEO苏姿丰汇报。这笔价值82亿美元的全股票交易在46天内完成,将World Labs的团队及其Atlas等先进AI模型整合到AMD的运营中。此举旨在通过促进AI模型开发与硬件/软件优化之间的紧密协作,增强AMD在机器人和空间计算领域的AI能力。
-
新的激光雷达模拟框架 URL-Sim 增强了自动驾驶场景重建
研究人员开发了 URL-Sim,一个用于创建动态驾驶场景高保真激光雷达模拟的新框架。该系统通过利用 3D 高斯泼溅 (3DGS) 来提高效率,解决了先前基于神经辐射场 (NeRF) 的模拟器渲染速度慢的问题。URL-Sim 引入了一个动态高斯场景图来模拟车辆和行人等各种交通参与者,并采用受监管的致密化策略来优化原始分配,与 Waymo 和 KITTI-360 等数据集上的现有方法相比,实现了更准确、视觉效果更好的重建。
-
AMD以82亿美元收购李飞飞的World Labs,以整合AI模型与硬件
AMD已以约82亿美元的全股票交易收购了由人工智能先驱李飞飞创立的、成立两年的公司World Labs。此次收购使李飞飞成为AMD执行副总裁兼首席科学家,直接向CEO苏姿丰汇报,并标志着AMD将先进AI模型研究与硬件开发深度整合的战略举措。World Labs以其在“空间智能”和“世界模型”方面的工作而闻名,将作为AMD内部一个相对独立的研发部门运作,旨在弥合AI模型需求与硬件能力之间的差距。
-
新框架AutoPhyX可从文本生成3D对象的物理属性
研究人员开发了AutoPhyX,一个新颖的框架,旨在根据文本描述自动生成3D对象的物理属性。该系统解决了先前依赖缓慢的每场景优化或模糊的仅视觉预测方法的局限性。AutoPhyX利用跨模态调制机制,其中文本特征动态影响视觉特征,以实现精确的物理基础。该框架兼容各种3D表示,包括网格、点云、高斯溅射和NeRF,并已证明对真实世界物体具有高精度和泛化能力。
-
新方法对齐神经网络权重,降低 NeRF 模型中的障碍
研究人员开发了一种名为“渐进式排列对齐与温度控制谱锐化”(Progressive Permutation Alignment with Temperature-Controlled Spectral Sharpening)的新方法,以解决隐式神经网络表示(INRs)中的排列对称性挑战。该技术通过渐进式对齐层,使用匈牙利算法进行离散匹配,并使用谱退火进行锐化,从而实现稳定的权重空间操作。该方法在恢复神经元对应关系和降低 MLP、CNN …
-
NeRF通过自监督几何正则化得到改进
研究人员开发了一种新方法,通过引入自监督交叉射线一致性方法来提高神经辐射场(NeRF)的几何精度。该技术通过采样候选表面点并从多个虚拟射线渲染它们的视觉效果来增强Vanilla NeRF的密度场。通过强制颜色一致性并惩罚不一致点的透明度,该方法在不需要真实深度或表面法线的情况下改进了隐式几何。在Replica数据集上的实验表明,与标准NeRF相比,Chamfer距离显著降低,几何精度提高了30%以上。
-
EGGHead算法增强单图像人头生成
研究人员推出了一种新颖的高斯分配算法EGGHead,旨在提高从单张图像生成逼真人头的效率和泛化能力。该方法在固定预算下优化高斯向语义区域的分配,减少所需高斯数量,同时不显著影响表示质量。EGGHead通过单次前向传播实现此目标,在重建质量、新视角合成和渲染速度方面优于现有的单图像人脸建模技术。
-
DriftNeRF 通过惩罚密度不一致来改进稀疏视图神经辐射场
研究人员开发了 DriftNeRF,这是一种新颖的正则化器,旨在提高仅有稀疏输入视图可用时神经辐射场 (NeRF) 的性能。该方法解决了现有 NeRF 方法中的一个核心限制,即渲染损失不会惩罚不同观察射线对同一 3D 点的矛盾密度分配。DriftNeRF 在训练过程中引入了一种机制来显式测量和惩罚这种跨射线密度不一致。该正则化器无需预训练模型、外部几何或额外图像即可应用,并在基准数据集上展示了视图合成质量的显著改进。
-
DriveWorld3D 框架通过证据约束的 3D 建模增强自动驾驶仿真
研究人员推出 DriveWorld3D,一个旨在增强自动驾驶系统 3D 世界建模和生成式仿真的新框架。该框架整合了时间视频学习与多传感器测量约束,以创建统一的世界状态,包括道路几何、障碍物占用和动态实体行为。DriveWorld3D 还包含一个离线组件,利用 NeRF 和 3D Gaussian Splatting 等技术进行场景重建,通过生成模型扩展场景,同时仔细管理合成数据作为真实情况的使用。
-
新的3D物体移除方法使用纹理空间修复
研究人员开发了一种名为3DTexMOR的新方法,用于移除使用3D高斯喷溅重建的3D场景中的多个对象。该技术在统一的纹理空间内进行修复,提供了更丰富的上下文并促进了不同视图之间的一致性,这与依赖2D图像修复的先前方法不同。通过将多视图观测聚合到纹理图中,然后修复缺失的区域,3DTexMOR旨在改善被遮挡区域的几何和外观完成。该方法还分解外观以避免视点相关的伪影,并使用几何正则化的高斯完成,在多目标移除方面取得了最先进的性能。
-
MoonGS框架使用高斯溅射重建月球表面
研究人员开发了MoonGS,一个新颖的3D高斯溅射框架,用于从稀疏的火星车图像中高质量地重建月球表面。该框架可以在单次前向传播中生成照片般逼真的新视图,无需每场景优化,并集成了先进的视觉基础模型来提取鲁棒的深度特征。MoonGS还结合了语义先验和熵引导重采样策略,以提高准确性和视觉质量,其性能优于现有的前馈NeRF和3DGS方法。
-
DySurface框架融合显式高斯与隐式函数,实现动态场景几何重建
研究人员推出DySurface,一个旨在提高动态场景中时间一致几何表面重建的新框架。该方法结合了显式3D高斯泼溅(3DGS)和隐式符号距离函数(SDFs)的优势。DySurface通过使用变形高斯来引导隐式SDF场,解决了纯粹光度优化方法中常见的几何模糊性挑战,从而增强了表面细节和连续性。
-
新研究探索4D场景重建技术 · 追踪4个来源
四篇最新的arXiv论文探讨了4D场景重建领域的进展,该领域专注于从视觉数据中捕捉不断变化的几何形状、外观和运动。Sparc4D为动态场景引入了一个紧凑的自编码器,而ARROW提出了一种用于任意重建和跟踪的前馈模型。第三篇论文提供了4D场景重建的统一视角,组织了现有方法并指出了挑战。第四篇论文HARMONI提出了一个对齐人类和场景先验的框架,以提高多视角4D重建的准确性和速度。
-
SVRecon框架实现高分辨率神经表面重建
研究人员推出了一种新颖的可泛化神经表面重建框架——稀疏体素重建(SVRecon)。该方法通过采用学习到的由占用驱动的稀疏性来解决先前方法的内存限制,从而可以在标准硬件上实现高分辨率重建。SVRecon采用两阶段架构,首先识别包含表面的体素,然后在这些占用区域内进行渲染,从而实现更精细的细节和更平滑的表面,尤其是在稀疏视图场景下。
-
港科大研究人员将人工智能与3D几何相结合,以增强视觉一致性
香港科技大学的研究人员,由谭平教授领导,正在探索将深度学习模型与传统3D几何技术相结合,以增强3D视觉任务中的全局一致性。他们的工作解决了当前大型视觉模型的一些局限性,例如不同视角的结构不一致以及物体排列不合逻辑。通过将神经网络学习到的强大局部先验与显式的3D几何约束相结合,他们旨在提高3D重建和场景生成的扩展性和连贯性,尤其是在大规模环境中。
-
新的NeRF框架可从有限的X射线视图重建三维冠状动脉
研究人员开发了NeCA++,一个新颖的多阶段神经辐射场(NeRF)框架,用于从有限的、窄角的X射线血管造影投影进行三维冠状动脉重建。这种自监督方法解决了仅有两个低角度二维图像可用时重建三维血管结构的挑战,而这种情况在临床实践中很常见。该框架通过首先建立粗略的三维表示,然后专注于解剖学上合理的区域内的高分辨率细节,逐步改进重建,从而提高准确性和稳定性。
-
新的基准 EditBench3D 评估超越语义对齐的 3D 场景编辑
研究人员推出了 EditBench3D,这是一个新的基准,旨在评估超越简单语义对齐的 3D 场景的可编辑性。该基准评估四个关键属性:指令保真度、空间局部性、跨视图一致性和非目标内容保持性。对包括 NeRF 和 3D Gaussian Splatting 技术在内的八种代表性编辑方法的评估显示,语义保真度与其他编辑属性仅有微弱的相关性,并且没有一种方法在所有维度上都表现出色。研究结果表明,可编辑性应报告为多目标画像而非单一分数。
-
新型Transformer模型从稀疏图像重建3D曲线
研究人员开发了CGGT(Curve-Grounded Geometry Transformer),一种旨在从稀疏、未姿态的多视图图像中重建可编辑的3D参数化曲线的模型。该新方法绕过了现有NeRF和3DGS方法中常见的密集相机视图或昂贵的每场景优化需求。CGGT集成了用于特征学习的Transformer编码器和用于实例关联的掩码注意力解码器,使其能够单次预测相机参数、深度图和曲线掩码。该系统在Wireframe-100K(一个包含10万…
-
JAX3D 支持分层 NeRF,实现高级三维渲染和重建
研究人员开发了一种使用 JAX 和 jax3d 库创建分层神经辐射场(NeRF)的方法。该方法支持体积渲染、新视角合成和三维重建。本教程详细介绍了构建合成数据集、实现带有位置编码和分层采样的 NeRF,以及使用 JAX 的 JIT 编译和 Adam 优化进行训练的过程。结果通过 PSNR 等指标以及深度、不透明度和提取几何形状的视觉输出来评估。