Neural Radiance Fields
PulseAugur coverage of Neural Radiance Fields — every cluster mentioning Neural Radiance Fields across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新框架通过自适应时间步长训练增强脉冲式 NeRF
研究人员开发了一个名为 PATA（基于预训练的自适应时间步长调整）的新框架，以提高脉冲式神经辐射场 (NeRF) 的效率。该方法允许进行特定于场景的自适应时间步长训练，而之前的模型使用固定的时间预算。PATA 将推理时间步长优化为可训练变量，在保持各种神经渲染表示具有竞争力的渲染质量的同时，将计算成本降低了高达 68.90%。
-
新的SkyLume数据集解决了不同光照下的3D城市重建问题
研究人员推出了SkyLume，这是一个大规模航空数据集，旨在解决不同光照条件下3D城市场景重建的挑战。该数据集包含在10个城市区域在一天中的三个不同时间拍摄的超过10万张高分辨率无人机图像，以隔离光照变化。它还包括每场景的LiDAR扫描和用于精确评估几何形状和外观的地面真实数据。此外，还提出了一种名为时间一致性系数（TCC）的新指标，用于测量反照率的稳定性并评估光照和材质的分离。
-
Render-FM 实现实时照片级 CT 扫描渲染
研究人员开发了 Render-FM，这是一种新颖的前馈模型，专为 CT 扫描的实时照片级体积渲染而设计。该模型通过直接预测渲染参数，将渲染过程的速度从数小时或数分钟显著提高，缩短至短短 2.8 秒。Render-FM 采用了解剖引导式预处理技术，以提高医学成像的准确性，并展示了对未见解剖结构和传递函数的泛化能力，从而无需额外的准备时间即可实现组合器官可视化。
-
综述文章详述AI驱动图形学中的4D表示法进展
一篇新的综述文章探讨了快速发展的4D生成与重建领域，重点关注3D几何如何随时间和交互而演变。该文章重点介绍了代表性工作，而非详尽列表，旨在指导读者为特定任务选择和定制合适的4D表示法。它涵盖了NeRFs和3D Gaussian Splatting等流行方法，以及结构化模型和长程运动等较少探索的领域，同时还讨论了大型语言模型和视频基础模型在该领域的作用和局限性。
-
神经辐射场增强了用于气候应用的3D森林测绘
研究人员通过将神经辐射场（NeRF）集成到现有框架中，开发了一种用于开放森林观测站（OFO）的3D树木模型重建新方法。这项进展旨在提高森林测绘的准确性和细节，解决了传统运动恢复结构技术（尤其是在森林地面上）的局限性。改进的重建对于各种气候应用至关重要，包括重新造林、野火风险评估和碳封存监测。
-
综述论文详述用于水下视觉增强与三维重建的AI技术
一篇新发表在arXiv上的综述论文探讨了水下视觉增强与三维重建中的挑战。论文详细介绍了物理模型，并调研了从传统技术到诸如Neural Radiance Fields和3D Gaussian Splatting等先进数据驱动方法。论文还包含对当前算法的定量和定性评估，并概述了水下视觉领域的未来研究方向。
-
新数据集揭示3D重建在处理反光、透明物体时遇到的困难
研究人员推出了3DReflecNet，这是一个大规模数据集，旨在解决反光、透明和低纹理物体3D重建中的重大挑战。目前最先进的方法，包括3D Gaussian Splatting和Neural Radiance Fields，在处理玻璃、金属和陶瓷等材料时因其复杂的光学特性而表现不佳。这个新数据集包含超过12万个合成实例和1000个真实世界物体，旨在为这些困难材料提供一个标准化的基准，揭示现有3D重建技术的系统性缺陷。
-
MLP-Splatting 实现以对象为中心的 3D 场景编辑
研究人员推出了一种新颖的、用于创建以对象为中心的 3D 场景表示的方法 MLP-Splatting。该技术利用紧凑的多层感知机 (MLP) 原始体，每个原始体都具有局部空间支持，来模拟辐射度和不透明度。与以前的方法不同，MLP-Splatting 允许轻松地将场景分解为对象级别的原始体，而无需显式的分割掩码，从而实现交互式编辑。与现有的最先进方法相比，该方法还具有显著减少的内存使用量和更快的渲染时间。
-
新渲染方法通过深度剥离增强高斯喷溅
研究人员推出了一种名为DP-GES的新渲染技术，通过添加半透明边界来增强高斯增强表面（GES）。该方法利用深度剥离精确排序像素，实现无排序渲染并进行正确的透射率调制。DP-GES有效解决了混叠和弹出伪影问题，实现了完全可微分的联合优化，并在实验中展示了卓越的重建质量。
-
开发者使用 NeRFs 进行稀疏图像重建
一位开发者探索了使用神经辐射场（NeRFs）进行稀疏图像重建。该技术涉及在有限的视觉数据上训练 NeRFs 以生成更完整的图像。开发者发现这种方法对于从稀疏输入创建详细重建非常有效。
-
NeRF 方法提升航天器姿态估计和三维重建能力
研究人员开发了新的基于神经辐射场（NeRF）的方法，以提高从图像中进行航天器姿态估计和三维重建的性能。一种方法利用基于 NeRF 的增强技术，用更少的图像训练姿态估计器，克服了传统基于 CAD 的训练的局限性。另一种方法通过引入每张图像的外观嵌入和姿态校正来增强 NeRF，使其在重建过程中对光照变化和不准确的姿态数据更加鲁棒。
-
AI研究推动3D重建和场景理解进展
研究人员正在探索用于3D重建和场景理解的先进技术，重点关注优化计算资源和提高准确性。研究探讨了医学成像中2D、2.5D和3D模型之间的权衡，研究结果表明2.5D CNN提供了有利的平衡。其他工作引入了用于扩散时间步长调度的框架，以提高3D CT重建的效率和保真度。此外，正在开发新的在线3D视觉-语言模型，用于从流式视频进行实时空间理解，并提出了自适应特征优化方法来提高3D场景重建的质量。
-
新研究通过新颖的框架探索 4D 几何和动态场景理解
研究人员推出了几个新的框架和数据集，用于从视觉数据推进 4D（三个空间维度加上时间）理解和重建。其中包括 4DThinker，它通过在连续隐藏空间中模拟场景演变，使视觉语言模型能够“用 4D 进行思考”；以及 Ground4D，一个用于在非结构化环境中进行无姿态 4D 重建的空间锚定框架。此外，Velox 提供了一种从动态点云中学习 4D 几何和外观潜在表示的方法，而 Syn4D 为动态场景重建和跟踪提供了合成数据集。Flux4D 提…