【荐读IEEE TPAMI】用于快速视图合成的级联和通用化的神经辐射场

最新推荐文章于 2024-05-24 22:15:00 发布
最新推荐文章于 2024-05-24 22:15:00 发布
阅读量874 收藏 12
点赞数 25
分类专栏： 论文解读 IEEE TPAMI 文章标签： 论文解读
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/qq_42722197/article/details/139004698
版权
论文解读 IEEE TPAMI 专栏收录该内容
236 篇文章 15 订阅 ¥49.90 ¥99.00
订阅专栏
研究提出了一种名为CG-NeRF的级联和通用化神经辐射场方法，用于快速视图合成。该方法通过粗略辐射场预测器和神经渲染器相结合，实现了在单个前向传递中高效渲染高分辨率新视图，解决了传统NeRF方法的慢速渲染问题。CG-NeRF在多种数据集上表现出色，同时在预训练模型微调后能与特定场景方法相媲美，且无需依赖额外的显式数据结构。
摘要由CSDN通过智能技术生成

题目：Cascaded and Generalizable Neural Radiance Fields for Fast View Synthesis

用于快速视图合成的级联和通用化的神经辐射场

作者：Phong Nguyen-Ha, Lam Huynh, Esa Rahtu, Jiri Matas, and Janne Heikkilä

摘要

我们提出了一种级联和可泛化的神经辐射场方法，用于视图合成。最近的泛化视图合成方法可以使用一组附近的输入视图渲染高质量的新视图。然而，由于神经辐射场的均匀点采样特性，渲染速度仍然很慢。现有的特定场景方法可以有效地训练和渲染新视图，但不能泛化到未见过的数据。我们的方法通过提出两个新颖的模块来解决快速和泛化视图合成的问题：一个粗略的辐射场预测器和一个基于卷积的神经渲染器。该架构基于隐式神经场推断一致的场景几何，并使用单个GPU高效渲染新视图。我们首先在DTU数据集的多个3D场景上训练CG-NeRF，网络仅使用光度损失就能在未见过

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
【荐读 IEEE TPAMI】Bi-DexHands: 迈向人类水平的双手灵巧操控
小白学视觉
05-21 800
实现机器人在灵巧操控方面的人类水平仍然是一个关键的开放问题。即使是简单的灵巧操控任务，由于自由度的高数量和异构代理（例如，手指关节）之间合作的需求，也带来了显著的困难。尽管一些研究人员已经利用强化学习（RL）来控制单手操控物体，但需要双手协调合作的任务仍然未被充分探索，因为适合的环境较少，这可能导致困难和次优性能。为了应对这些挑战，我们介绍了Bi-DexHands，这是一个具有两只灵巧手的模拟器，包含20个双手操控任务和数千个目标对象，旨在基于认知科学研究匹配不同水平的人类运动技能。
【荐读IEEE TPAMI】ConvMatch：重新思考两视图对应学习网络设计
小白学视觉
05-25 405
多层感知器（MLP）已成为双视图对应学习的事实骨干，因为它可以单独提取无序对应点的有效深度特征。然而，由于天生缺乏上下文信息，其性能受到限制，尽管在后续研究中附加了许多捕获上下文的模块。在本文中，我们从一个新的角度出发，设计了一个名为ConvMatch的对应学习网络，首次可以利用卷积神经网络（CNN）作为骨干，具有固有的上下文聚合能力。
【荐读IEEE TPAMI】神经重建：从单目视频中实时连贯的3D场景重建
小白学视觉
05-13 966
我们提出了一个名为 NeuralRecon 的新框架，用于从单目视频中实时重建三维场景。与先前的方法不同，先前的方法在每个关键帧上分别估计单视图深度图，然后将其融合，我们提出直接通过神经网络顺序地重建每个视频片段的局部表面，表示为稀疏的 TSDF 体积。使用基于门控循环单元（Gated Recurrent Units, GRU）的学习型 TSDF 融合模块来指导网络从先前的片段中融合特征。这种设计允许网络在顺序重建表面时捕获局部平滑先验和全局形状先验，从而实现准确、连贯和实时的表面重建。
【荐读IEEE TPAMI】无监督去雨：非对称对比学习与自相似性相遇
小白学视觉
05-13 831
大多数现有的基于学习的去雨方法都是在合成的雨-清洁对上进行有监督训练的。合成雨与真实雨之间的领域差距使它们在复杂的真实雨场景中的泛化能力降低。此外，现有方法主要独立利用图像或雨层的属性，很少有方法考虑它们之间的相互排斥关系。为了解决这一困境，我们探索了每层内部的内在自相似性以及两层之间的相互排斥性，并提出了一种无监督的非局部对比学习（NLCL）去雨方法。非局部自相似性图像块作为正样本被紧密地拉在一起，而雨块作为负样本则被显著地推开，反之亦然。
【荐读IEEE TPAMI】基于模型的强化学习与独立想象力
小白学视觉
05-18 1082
在基于视觉的交互系统中，世界模型学习行动的后果。然而，在实际场景中，如自动驾驶，存在不可控制的动态，这些动态独立于或与行动信号稀疏相关，这使得学习有效的世界模型变得具有挑战性。为了解决这个问题，我们提出了Iso-Dream++，这是一种基于模型的强化学习方法，具有两个主要贡献。首先，我们优化了逆动力学，鼓励世界模型从环境混合的时空变化中隔离出可控制的状态转换。其次，我们基于解耦的潜在想象进行策略优化，我们将不可控制的状态滚动到未来，并将其与当前可控制的状态自适应地关联起来。
【荐读 IEEE TPAMI】一种灵活的EM类噪声数据聚类算法
小白学视觉
05-20 977
作者：Violeta Roizman; Matthieu Jonckheere; Frédéric Pascal尽管非常流行，但众所周知，高斯混合模型（Gaussian mixture model）的期望最大化（Expectation-Maximization，EM）算法在处理非高斯分布或存在异常值或噪声时表现不佳。在本文中，我们提出了一种灵活的类EM聚类算法（Flexible EM-like Clustering Algorithm，FEMCA）：设计了一种新的聚类算法，遵循EM过程。它基于对聚类中心和协
【荐读IEEE TPAMI】Growing Like a Tree: 从图骨架树中识别主干
小白学视觉
05-21 729
作者：Zhongyu Huang; Yingheng Wang; Chaozhuo Li; Huiguang He 源码：https://github.com/zhongyu1998/GTR图神经网络（GNNs）多年来一直以消息传递范式为基础，在广泛的应用领域取得了巨大成功。尽管这一范式具有优雅性，但它为图级任务带来了几个意想不到的挑战，例如长距离问题、信息瓶颈、过度压缩现象和有限的表达能力。在本研究中，我们旨在克服这些主要挑战，并打破图级任务中传统的“节点和边中心”思维模式。为此，我们从信息影响的角度对信
【荐读IEEE TPAMI】对联合学习中对抗性攻击的影响：一项调查
小白学视觉
05-12 894
联合学习（FL）已经出现作为一种强大的机器学习技术，它允许从分散的数据源开发模型。然而，FL的分散性质使其容易受到对抗性攻击的影响。在这项调查中，我们通过涵盖攻击预算、可见性、泛化能力等多个方面，全面概述了恶意攻击对FL的影响。以往的调查主要集中在多种类型的攻击和防御上，但没有考虑这些攻击在预算、可见性和泛化能力方面的冲击。本调查旨在通过识别具有低预算、低可见性和高影响的FL攻击来填补这一空白。此外，我们讨论了FL领域对抗性防御的最新进展，并强调了保护FL的挑战。
【荐读 IEEE TPAMI】Parallel and Distributed Graph Neural Networks_ An In-Depth Concurrency Analysis
小白学视觉
05-13 753
图神经网络（GNNs）是深度学习中最强大的工具之一。它们通常在无结构网络上解决复杂问题，如节点分类、图分类或链接预测，准确度很高。然而，GNNs 的推理和训练都很复杂，并且它们独特地结合了不规则图处理的特征与密集和规则计算。这种复杂性使得在现代大规模并行架构上有效执行 GNNs 变得非常具有挑战性。为了缓解这个问题，我们首先设计了一个 GNNs 中并行性的分类法，考虑了数据和模型并行性以及不同形式的流水线处理。
【荐读 IEEE TPAMI】ConvMatch：重新思考两视图对应学习网络设计
小白学视觉
05-24 462
多层感知器（MLP）已成为双视图对应学习的事实骨干，因为它可以单独提取无序对应点的有效深度特征。然而，由于天生缺乏上下文信息，其性能受到限制，尽管在后续研究中附加了许多捕获上下文的模块。在本文中，我们从一个新的角度出发，设计了一个名为ConvMatch的对应学习网络，首次可以利用卷积神经网络（CNN）作为骨干，具有固有的上下文聚合能力。
南京工业大学在辽宁2020-2024各专业最低录取分数及位次表.pdf
10-04
那些年，与你同分同位次的同学都去了哪里？全国各大学在辽宁2020-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
下单系统的Spnigboot和微信小程序实现（全栈微信小程式下单）.zip
10-04
下单系统的Spnigboot和微信小程序实现（全栈微信小程式下单）
基于Java开发的智能文件管家设计源码
10-04
该项目是一款基于Java的智能文件管家设计源码，涵盖102个文件，包括29个Java源文件、27个类文件、19个XML配置文件、10个YAML文件、8个列表文件、4个属性文件、4个JAR包文件以及1个Git忽略文件。该系统旨在提供高效便捷的文件管理解决方案。
基于YoloV8的简单目标检测和跟踪，使用KMNET进行鼠标移动（处理多目标移动抖动，处理鼠标平滑移动）.zip
10-04
基于YoloV8的简单目标检测和跟踪，使用KMNET进行鼠标移动（处理多目标移动抖动，处理鼠标平滑移动）
基于Vue和JavaScript的心旅途个性化推荐旅游平台设计源码
10-04
本项目是一款基于Vue和JavaScript开发的心旅途个性化推荐旅游平台设计源码，整合了513个Java文件、76个PNG图片、70个XML配置文件、62个JavaScript文件、42个Vue组件文件、28个CSS样式文件、22个HTML文件、18个YAML配置文件、16个属性文件、11个Vue模板文件，总计919个文件。平台采用现代化前端技术堆栈，旨在为用户提供个性化的旅游推荐服务。
基于Python的AutoLine自动化测试开源平台设计源码
10-04
AutoLine是一个基于Python的通用自动化测试开源平台，包含了657个文件，涵盖228个PNG图片、209个CSS样式、95个JavaScript脚本、39个Python源代码、21个HTML文件、19个XML文件、14个GIF图片、6个DS_Store文件、5个文本文件、4个Markdown文件。该平台的设计源码由多种编程语言编写，旨在提供灵活高效的自动化测试解决方案。
微信小程序图像裁剪工具_ e-cropper.zip
10-04
微信小程序图像裁剪工具_ e-cropper
基于MATLAB的答题卡识别系统 带一个GUI可视化界面，通过输入答题卡旋转校正，边缘检测，霍夫曼变换检测答题卡填涂区域
最新发布
10-04
【作品名称】：基于MATLAB的答题卡识别系统。带一个GUI可视化界面，通过输入答题卡旋转校正，边缘检测，霍夫曼变换检测答题卡填涂区域 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： 传统的阅卷方式为流水线的手工作业方式。这样的方式存在很多的问题，因为很容易受到阅卷者的主观因素的影响，从而产生一定的偏差。所以很多人就讨论如何将人为的因素降低到最低，来确保考生的考试成绩的公平公正和准确。 基于MATLAB的答题卡识别系统。带一个GUI可视化界面，通过输入答题卡旋转校正，边缘检测，霍夫曼变换检测答题卡填涂区域，分割，识别属于ABCD等，通过和实现设置好的标准答案excel对比，从而得出最终分数 【资源声明】：本资源作为“参考资料”而不是“定制需求”，代码只能作为参考，不能完全复制照搬。需要有一定的基础能够看懂代码，能够自行调试代码并解决报错，能够自行添加功能修改代码。
IEEE TPAMI 用于缺陷检测的期刊
04-05
IEEE TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）是一个涵盖模式识别、计算机视觉、图像处理和机器学习等领域的高质量期刊，其中也包括用于缺陷检测的研究。 以下是一些在IEEE TPAMI...
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

小白学视觉

您的赞赏是我们坚持下去的动力~

¥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