Neural radiance field
PulseAugur coverage of Neural radiance field — every cluster mentioning Neural radiance field across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI流水线自动化玉米穗表型分析，加速育种进程
研究人员开发了两个独立的AI驱动的自动化玉米穗表型分析流水线，旨在加速育种项目。第一个流水线使用来自视频的3D重建来提取籽粒性状，如行数和粒数，在保留数据集上实现了高精度。第二个流水线专注于形态计量，从单个视频重建3D网格，以测量穗的几何形状，如长度、宽度和体积，显著减少了操作时间和硬件成本。
-
NeRF方法在沉浸式教育3D重建领域领先 · 跟踪2个来源
一项最新研究比较了四种3D重建方法——摄影测量法、基于NeRF的方法、高斯溅射法和LiDAR——用于为教育目的创建实验室对象的逼真全息表示。基于NeRF的方法表现出卓越的性能，尤其是在处理透明或反光物体时，并且通常比纹理更准确地再现形状和颜色。该研究概述了一个实用的工作流程，用于开发沉浸式学习对象，以增强增强现实和混合现实教育环境中的空间推理和参与度。
-
HistReNeRF框架在3D场景中重新定位历史照片
研究人员开发了HistReNeRF，一个新颖的框架，旨在将历史照片准确地重新定位到当代3D场景重建中。该方法解决了历史和现代图像在外观、物体和空间布局上的差异带来的挑战。通过适配DINOv2补丁特征并查询神经辐射场（NeRF）重建，HistReNeRF可以估计历史照片的6-DoF位姿。在新欧洲地标数据集上的评估表明，这种嵌入空间适配将平移和旋转误差平均分别降低了11%和16%，优于像素空间方法。
-
新框架改进单图像三维重建
研究人员开发了一种新的单图像三维重建框架，解决了合成多视图时出现的视图不一致问题。他们的方法使用视图自适应神经渲染器独立纠正错误，同时通过共享特征骨干保持结构一致性。自注意力融合模块自适应地整合多视图信息，在不严重依赖计算密集型方法或基于扩散的监督的情况下，实现了几何一致性。
-
新的UAV3DCrop基准测试评估3D作物重建方法
引入了一个名为UAV3DCrop的新基准数据集，用于评估在农业环境中使用无人机进行的3D重建方法。该数据集包含来自91个不同作物场景的88,830张图像，以高分辨率和地面采样距离拍摄。它旨在测试神经辐射场和3D高斯溅射变体等场景优化方法，以及预训练的前馈模型，涵盖外观、深度和树冠高度恢复等不同指标。当前的3D重建技术在这些任务上的表现各不相同，表明没有一种方法对农学应用是普遍最优的，并且一些方法在度量尺度恢复方面存在困难。
-
3D高斯溅射评估方法被批评为衡量插值而非泛化
一篇题为“Mind the Gap”的新研究论文指出了3D高斯溅射（3DGS）方法标准评估中的一个重大缺陷。该论文认为，当前的评估协议（通过排除每N帧来评估）主要衡量近轨迹插值，而非真正的空间泛化能力。研究人员引入了一种匹配计数协议来隔离这种效应，揭示了包括神经辐射场在内的不同表示方法之间存在3-12dB的显著插值-外插差距。这个差距足够大，可能会改变方法的排名，并表明标准的排除法不足以评估空间泛化能力。
-
新数据集赋能胃镜新视角合成
研究人员推出了 GastroNVS 数据集，这是首个专为胃镜新视角合成 (NVS) 设计的真实世界数据集。该数据集旨在解决当前该医学领域缺乏足够数据来评估 NVS 技术的问题。它包含胃镜图像、相机姿态和点云，并已用于评估现有的 3D Gaussian splatting 方法，突显了未来发展的挑战。
-
NeuMesh++ 通过多功能3D场景编辑推进神经隐式渲染
研究人员开发了NeuMesh++，一种新颖的基于网格的神经隐式渲染表示方法，增强了3D场景的编辑能力。该方法将几何、纹理和语义信息解耦到网格顶点上，实现了网格引导的几何编辑、纹理交换、填充、绘制和语义引导编辑等多种操作。该系统还采用了局部空间参数化和可学习顶点颜色等技术，以提高渲染质量和纹理编辑保真度，实验证明了其在真实和合成数据集上的有效性。
-
几何感知策略改进室内场景新视角合成
研究人员开发了新的方法，用于在神经辐射场（NeRFs）中有效分配表示容量，以生成沉浸式室内环境。通过利用估计场景布局中的几何先验，该系统优化了基的放置，优于均匀排列。该方法还结合了场景自适应虚拟视点，以解决输入轨迹的不足并提高渲染质量和内存效率。