flow_specter的博客

作者单位Microsoft;投稿期刊：仍在arxiv preprint如果希望用比较小的改动，来减少当前MLP的体量，又不损失效果，可以尝试一下本文的方法项目主页MLP的容量问题。设计了一个时间残余层，命名为ResFields。文章全面分析了ResFields的性质，并提出了一种矩阵分解的技术来减少训练参数的体量。可以与现有的技术无缝集成，并不影响现有技术的效果。MLP在诸多任务中都取得了成功，尤其是近年的神经辐射场，对三维重建领域的研究者影响较大。

Foward-facing 场景：NDC（Normalized Device Coordinate）1360°，object-centric 场景： inverse-sphere warping1自由轨迹： Persepective warping1。

以下给出几篇我个人觉得比较有价值的text-to-3d的论文列表，论文的超链接会连接到arxiv上。

我们的目标重建物体是不透明物体，物体的部分对于特定的相机视角来说是不可见的。一次你，对于每一个视角来说，可能只有有限的稀疏点是可见的。给定某一个目标物体有位姿的多视图影像，Geo-Neus可以实现没有mask监督的表面重建。在这一节中，首先分析了颜色渲染的内在偏差，这种内在偏差会导致渲染颜色和内在几何之间的不一致性。所谓颜色渲染中的有偏是指，物体表面的真实颜色和渲染颜色之间的有偏性。而言，其在影像上的投影是一小部分的像素patch。然后，将引入显式的SDF优化，实现几何一致性。

我们知道，对于原生的NeRF来说，重新训练一个场景往往需要两三天的时间。这篇文章提出了所谓的Stereo Radiance Fields，即SRF，号称只用少量的视角就可以泛化至新的场景。这篇文章最吸引人的地方就在于对于新的场景并不需要一轮重新的训练，取而代之的，只需要10~15分钟的微调即可，而这种微调也只需要10余张的影像就够了。其核心的idea受传统的MVS方法启发，即，通过寻找立体图像中patch的相似性来估计物方表面点。在SRF中，通过给定立体像对待相似性程度来预测物方点的颜色和体密度。

论文链接：https://arxiv.org/pdf/2010.07492.pdf。

S={x∈R3∣f(x)=0}S={x∈R3∣f(x)=0}其中，x\mathbf{x}x表示三维点，f(x)f(x)表示从三维点到SDF值的映射关系。为了能够在SDF网络的训练与volume rendering之间建立联系ϕs(f(x))ϕs​(f(x))，将其命名为S-densityϕs(x)=se−sx/(1+e−sx)2ϕs​(x。..................