CVPR 2023: DBARF: Deep Bundle-Adjusting Generalizable Neural Radiance Fields

最新推荐文章于 2024-09-02 19:40:12 发布

结构化文摘

最新推荐文章于 2024-09-02 19:40:12 发布

阅读量399

点赞数 5

分类专栏：一分钟看懂人工智能顶会论文CVPR 文章标签：人工智能深度学习计算机视觉数据挖掘

本文链接：https://blog.csdn.net/bookmashup/article/details/135866189

版权

61 篇文章 9 订阅 ¥99.90 ¥299.90

订阅专栏

DBARF是一种神经辐射场方法，采用隐式神经表示和多视图捕获，通过束调整优化几何一致性，实现新视角合成。它强调泛化性，能良好重建新场景。

摘要由CSDN通过智能技术生成

我们使用以下 6 个分类标准来解释本文的研究主题：

1. 神经表示:

隐式: 这种表示使用神经网络直接将空间中的 3D 点映射到其颜色和密度。网络充当“黑盒”函数，其内部工作原理无法直接解释。示例包括 NeRF、MPR-NeRF 和 Plenoxels。
显式: 这种表示将每个体素或顶点的颜色和密度信息存储在 3D 网格或网格中。这使场景几何更加明确易懂，但也需要大量内存，并且渲染起来可能很耗费计算资源。示例包括 SDF-NeRF 和 MVSNeRF。

2. 场景捕获:

单张图像: 此方法使用单张图像作为输入来重建场景。这具有挑战性，因为网络需要从有限的数据中推断深度和其他信息。但是，它也更方便，需要更少的数据采集。示例包括 PixelNeRF 和 NeRF-。
多视图: 此方法使用来自不同视点的多个图像来捕获场景。这提供了有关场景几何的更多信息，并使重建更准确，但需要更多的数据和相机校准。示例包括 MVSNeRF

了解本专栏

关注