大盘点！22项开源NeRF SLAM顶会方案整理！（下）

已于 2023-11-29 18:06:18 修改
阅读量259 收藏 2
点赞数
分类专栏： 3D视觉从入门到精通 文章标签： SLAM 自动驾驶 3D视觉
于 2023-11-14 07:01:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Yong_Qi2015/article/details/134410949
版权
本文详细整理了22项开源的NeRF SLAM解决方案，重点介绍了物体级NeRF SLAM的RO-MAP和vMAP，以及LiDAR NeRF SLAM的LiDAR-NeRF、IR-MCL、NeRF-LOAM和LONER。这些方案致力于提高3D建图的精度和实时性，适用于自动驾驶和3D视觉领域。
摘要由CSDN通过智能技术生成

作者：泡椒味的口香糖  | 来源：计算机视觉工坊

添加微信：dddvisiona，备注：SLAM，拉你入群。文末附行业细分群。

大盘点！22项开源NeRF、SLAM顶会方案整理！（上）

大盘点！22项开源NeRF SLAM顶会方案整理！（中）

0. 笔者个人体会

上两篇文章我们介绍了仅优化NeRF、仅优化位姿、位姿和NeRF联合优化的NeRF SLAM相关工作。本文我们将介绍物体级NeRF SLAM和雷达NeRF SLAM的方案。

前情回顾：为避免生硬的翻译原文，本文针对每篇文章的介绍将以四个问题来进行，分别是这篇文章希望解决什么问题？核心思想是什么？具体如何实现？有什么效果？当然笔者水平有限，如果有理解不当的地方欢迎各位读者批评指正~

1. 目录

还是先放一个目录列举本文都介绍了哪些方案。

仅优化NeRF

0、NeRF

了解本专栏 订阅专栏 解锁全文 超级会员免费看
3Ｄ视觉工坊
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
大盘点！22项开源NeRF SLAM顶会方案整理！（中）
计算机视觉工坊
03-26 807
作者：泡椒味的口香糖 | 来源：计算机视觉工坊添加微信：dddvisiona，备注：三维重建，拉你入群。文末附行业细分群。
Point-NeRF总结记录
fjyalzl的博客
04-11 4004
Point-NeRF阅读总结记录 PPT形式
22、Point-NeRF: Point-based Neural Radiance Fields
小白的博客
08-25 1497
point nerf
point-nerf复现代码
05-30
point-nerf复现代码，github上提供的源码比较乱，而且在复现的时候一直出现bug，于是在测试point-nerf时将里面的代码进行了更改。在源码的基础上，将nerf_synth360_ft_dataset.py；evaluate.py；test_ft.py；visualizer.py这四个py文件进行了简单的修改。 由于文件容量的限制，这个文件里面少了一个数据包，大家可以下载nerf_synthetic数据包将其放到data_src/nerf/中。注：nerf中包含两个文件夹nerf_synthetic和nerf_synthetic_colmap，nerf_synthetic_colmap在这个资源里有，只需要下载nerf_synthetic数据包就行，nerf_synthetic数据包下载网址：https://drive.google.com/drive/folders/12lcYHJUaYGcylBN9f0VZIOW1Alln349k。
论文阅读笔记—CVPR2022—Point-NeRF
zp_jlu的博客
04-11 5105
Point-NeRF将传统的MVS方法和NeRF进行结合，提出了基于点云的NeRF，该方法利用点云信息，可以避免在“empty space”上浪费大量时间，从而提高效率，与NeRF相比有几十倍的提速。
【论文速递】CVPR2022 - Point-NeRF：基于点的神经辐射场
wingkeung_m的博客
02-15 635
NeRF 等体积神经渲染方法可生成高质量的视图合成结果，但会针对每个场景进行优化，从而导致重建时间过长。另一方面，深度多视图立体方法可以通过直接网络推理快速重建场景几何。Point-NeRF 通过使用神经 3D 点云和相关的神经特征来模拟辐射场，从而结合了这两种方法的优点。Point-NeRF 可以通过在基于光线行进的渲染管道中聚合场景表面附近的神经点特征来高效渲染。此外，Point-NeRF 可以通过预训练的深度网络的直接推理来初始化，以生成神经点云；这个点云可以。
大盘点！22项开源NeRF SLAM顶会方案整理！（上）
3D视觉工坊
11-10 205
作者：泡椒味的口香糖 | 来源：计算机视觉工坊添加微信：dddvisiona，备注：SLAM，拉你入群。文末附行业细分群。0. 笔者个人体会NeRF结合SLAM是这两年新兴的方向，衍生出了很多工作。目前来看SLAM结合NeRF有两个方向，一个是SLAM为NeRF训练提供位姿，然后建立稠密细腻的三维场景，一个是在NeRF里建立各种损失函数反过来优化pose和depth。那么NeRF结合SLAM都有...
大盘点！22项开源NeRF、SLAM顶会方案整理！（上）
计算机视觉工坊
03-26 998
使用SLAM去为NeRF训练提供位姿是一种很容易想到的思路，这方面最经典的文章就是NeRF-SLAM，但更多的文章还是希望将位姿和NeRF放到一起优化。这里也推荐「3D视觉工坊」新课程《
Point-NeRF: Point-based Neural Radiance Fields（Point-NeRF：基于点的神经辐射场）
最新发布
qq_50267787的博客
05-17 775
摘要 NeRF [34] 等体积神经渲染方法可生成高质量的视图合成结果，但针对每个场景进行优化，导致重建时间过长。另一方面，深度多视图立体方法可以通过直接网络进行推理快速重建场景几何。 Point-NeRF 通过使用神经 3D 点云以及相关的神经特征来对辐射场进行建模，从而结合了这两种方法的优点。 Point-NeRF 可以通过在基于光线行进的渲染管道中聚合场景表面附近的神经点特征来高效渲染。此外，Point-NeRF可以通过预先训练的深度网络的直接推理来初始化，以产生神经点云；该点云可以进行微调，以超越
Point-NeRF：基于点的神经辐射场（CVPR 2022）
3D视觉工坊
07-08 1635
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨泡泡图灵智库来源丨泡泡机器人SLAM标题：Point-NeRF: Point-based Neural Radiance Fields作者：Qiangeng Xu, Zexiang Xu, Julien Philip, Sai Bi, Zhixin Shu, Kalyan Sunkavalli, Ulrich ...
【论文精读】Point-NeRF:Point-based Neural Radiance Fields
YuhsiHu的博客
04-03 9565
Point-NeRF论文精读
Point-Nerf复现及解析
图像学习之旅
04-12 1014
Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。pytorch相对于tensorflow出现的较晚一些，主要是针对深度神经网络而开发出来，这几年发展也是十分不错；
PointNet、Point-NeRF
qq_44708206的博客
12-12 1214
point net
【NeRF】Point-NeRF：Point-NeRF: Point-based Neural Radiance Fields阅读记录
气派飞鹰的博客
12-22 1173
传统的NeRF神经绘制方法可以生成高质量的视图合成结果，但由于对每个场景进行了优化，导致重建时间过长。深度多视图立体（deep multi-view stereo）方法可以通过直接的网络推理快速重建场景几何。point-nerf结合了这两种方法的优点，使用神经三维点云，与相关的神经特征，以模拟一个辐射场。可以获得比传统NeRF更好的视觉质量，而且训练速度加快30倍。本文还提出了一种点剪枝和生长技术，可以逐渐提高几何建模和渲染质量。
NeRF神经辐射场学习笔记（三）——Point-NeRF论文解读
weixin_44292547的博客
08-12 3895
Point-NeRF结合了NeRF利用体素渲染合成高质量视图的方法，以及MVS中通过卷积神经网络快速重建场景的思路，先通过MVSNet得到初始神经点云场景，然后利用神经3D点云和神经特征来构建一个基于Point的辐射场，来渲染场景；在速度上面，其重建的时间要比NeRF提高了30倍。...
实时400FPS！高精NeRF/Gaussian SLAM定位与建图
3D视觉工坊
02-19 95
什么是SLAM？SLAM，即同时定位与地图构建技术，SLAM可以让机器人、无人机和其他自动化系统能够在未知环境中同时进行自我定位和环境映射。为什么是NeRF-Based SLAM？传统CG将输入图像重新投影再融合到新的视图摄像机中，利用几何结构来进行重投影。在很多情况下，传统CG方法重建地图都能有相当好的效果，但是对于地图上的未知区域，进行三维重建恢复就有些困难了。深度学习很早就在应用在重建方面。...
Point-NeRF: Point-based Neural Radiance Fields论文翻译笔记
ysh的博客
05-10 2465
Point-NeRF: Point-based Neural Radiance Fields Abstract 像NeRF[35]这样的体积神经渲染方法可以生成高质量的视图合成结果，但对每个场景进行优化，导致过高的重建时间。另一方面，深度多视图立体视觉方法deep multi-view stereo methods可以通过直接网络推理快速重建场景几何形状。Point-NeRF结合了这两种方法的优点，利用神经三维点云和相关的神经特征来建模辐射场。通过聚合场景表面附近的神经点特征，可以有效地渲染点网络.
NeRF神经辐射场学习笔记（八）— Block-NeRF论文创新点解读
weixin_44292547的博客
08-19 4748
Block-NeRF是一种NeRF新的延伸，用来表示大规模环境。在渲染城市规模的场景时，将城市场景分为多个模块（Blocks），并且将NeRF也单独分配给每个block进行渲染，在预测时动态地呈现和组合这些NeRFs。这种分解（decomposition）的过程将渲染时间与场景大小解耦（decouples），即分隔开两者之间的必然联系，使渲染能够扩展到任意大的环境，并允许对环境进行逐块更新（per-block updates ofthe environment）。
nerf-slam开源代码运行
10-31
要运行Nerf-SLAM开源代码，首先需要确保您的计算机满足系统要求。Nerf-SLAM是一个基于Python和PyTorch的三维重建和SLAM算法，因此您需要安装Python和PyTorch。 在安装所需的软件和库后，您可以按照以下步骤来运行Nerf-SLAM开源代码： 1. 下载Nerf-SLAM的代码库，并将其解压到您选择的目录。 2. 打开终端或命令提示符窗口，并导航到代码库的目录。 3. 安装必要的Python库。可以使用pip或conda来安装依赖项，例如numpy、imageio、tqdm等。具体的依赖项可以在代码库的requirements.txt文件中找到。 4. 准备数据。Nerf-SLAM需要输入图像序列来进行重建。您可以将图像序列放在指定的文件夹中，并按照代码库中提供的文件命名约定来命名文件。 5. 打开config文件夹，并选择适合您的应用程序的配置文件。您可以根据自己的需求进行编辑和自定义。 6. 在终端或命令提示符窗口中执行模型训练命令。使用命令"python trainer.py --config=config_file_name"，其中config_file_name是您选择的配置文件的名称。 7. 等待模型训练完成。根据您选择的配置和数据量的不同，训练过程可能需要一些时间。 8. 在训练完成后，您可以利用训练得到的模型来进行三维重建或SLAM。具体的操作方法和命令可以在代码库的文档中找到。 需要注意的是，运行Nerf-SLAM的代码需要一定的计算资源，并且对于大规模的数据集，可能需要更高的计算能力和存储空间。此外，在运行代码之前，建议您仔细阅读代码库中的文档和说明，以确保正确地配置和使用Nerf-SLAM开源代码。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

3Ｄ视觉工坊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值