3D重建
文章平均质量分 86
3D重建
C--G
这个作者很懒,什么都没留下…
展开
-
110、2D Gaussian Splatting for Geometrically Accurate Radiance Fields
由于三维高斯的多视图不一致性,3DGS无法准确地表示表面将三维体折叠成一组二维定向平面高斯盘。与3D高斯函数不同,2D高斯函数在本质上建模表面时提供了一致的视图几何。为了准确地恢复薄表面并实现稳定的优化,我们引入了一种利用射线-飞溅相交和光栅化的透视精度2D飞溅过程与3DGS不同,用二维高斯基元表示3D场景,每个基元定义一个定向椭圆盘。2D高斯函数相对于3D高斯函数的显著优势在于在渲染过程中精确的几何表示。具体来说,。相比之下,利用明确的射线-飞溅相交,导致透视精度飞溅。原创 2024-04-07 20:51:46 · 769 阅读 · 0 评论 -
109、Recent Advances in 3D Gaussian Splatting
对3D Gaussian Splatting的综述。原创 2024-03-28 21:14:14 · 1147 阅读 · 0 评论 -
108、3D Gaussian Splatting for Real-Time Radiance Field Rendering
简介官网更少训练时间的同时实现最先进的视觉质量,能在1080p分辨率下实现高质量的实时(≥30 fps)新视图合成NeRF使用隐式场景表示,体素,点云等属于显示建模方法,3DGS就是显示辐射场。它用3D高斯作为灵活高效的表示方法,同时利用神经网络的特性进行参数优化,旨在以更快的训练速度和实时性能实现高质量的渲染,尤其适用于复杂场景和高分辨率输出。nerf是一个连续的表示,隐含地表示空/占用空间;为了找到空间点的样本,需要进行昂贵的随机抽样,由此产生噪声和计算开销。相比之下,点是一种非结构化的离散表原创 2024-03-24 15:58:42 · 865 阅读 · 0 评论 -
107、Repaint123: Fast and High-quality One Image to 3D Generation with Progressive Controllable 2D Re
两阶段3D生成。第一阶段使用3D Gaussian Splatting 生成粗糙的三维表示,第二阶段使用 Diffusion Repainting 优化细节。目前的方法采用SDS损失,导致纹理不一致,质地差。原创 2024-01-19 15:31:44 · 931 阅读 · 0 评论 -
106、Text-Image Conditioned Diffusion for Consistent Text-to-3D Generation
很多工作在扩散先验中注入跨视图一致性,但仍然缺乏细粒度的视图一致性。论文提出的文本到3d的方法有效地减轻了漂浮物(由于密度过大)和完全空白空间(由于密度不足)的产生。原创 2024-01-16 14:28:04 · 1111 阅读 · 0 评论 -
105、Zero-1-to-3: Zero-shot One Image to 3D Object
使用合成数据集来学习相对摄像机视点的控制,这允许在指定的摄像机变换下生成相同对象的新图像,用于从单个图像进行三维重建的任务。原创 2024-01-11 14:58:15 · 1122 阅读 · 0 评论 -
104、Behind the Scenes: Density Fields for Single View Reconstruction
提出预测隐密度场方法,该密度场将输入图像视锥中的每个位置映射到体积密度。通过直接从可用视图中采样颜色,而不是在密度场中存储颜色,与NeRFs相比,所提出的场景表示变得明显不那么复杂,并且神经网络可以在一次前向传递中预测它,从视频数据中进行自我监督训练预测网络。该公式允许体绘制执行深度预测和新视图合成。原创 2024-01-09 17:15:50 · 814 阅读 · 0 评论 -
103、GAUDI: A Neural Architect for Immersive 3D Scene Generation
GAUDI在多个数据集的无条件生成环境中获得了最先进的性能,并允许在给定条件变量(如稀疏图像观察或描述场景的文本)的情况下有条件地生成3D场景。原创 2024-01-08 15:25:57 · 1176 阅读 · 0 评论 -
102、X^3 : Large-Scale 3D Generative Modeling using Sparse Voxel Hierarchies
Nvidia2023提出的一种新的生成模型,可生成具有任意属性的高分辨率稀疏3D体素网格,以前馈方式生成数百万体素,最细有效分辨率高达10243,而无需耗时的 test-time 优化,使用一种分层体素潜扩散模型,使用建立在高效VDB数据结构上的自定义框架,以从粗到细的方式生成逐步更高的分辨率网格。XCube在100 m×100 m规模的大型户外场景中的有效性,体素大小小至10 cm。原创 2024-01-05 15:26:04 · 1039 阅读 · 0 评论 -
101、nerfstudio——ScaleAndShiftInvariantLoss
【代码】101、nerfstudio——ScaleAndShiftInvariantLoss。原创 2023-12-26 11:04:43 · 424 阅读 · 0 评论 -
100:ReconFusion: 3D Reconstruction with Diffusion Priors
少样本重建必然导致nerf失败,论文提出使用diffusion模型来解决这一问题。从上图不难看出,论文一步步提升视角数量,逐步与Zip-NeRF对比。原创 2023-12-11 14:03:48 · 1469 阅读 · 1 评论 -
99、NeRF ray space
CG相机模型在图形学中最常用的相机模型的原理和小孔成像是类似的。不同之处在于,如上图,小孔成像得到的图像是倒立的,但是我们希望得到的图像是正向的,因此,我们选择小孔前成像。从 3D 到 2D 的投影,就是根据 3D 物体的坐标,计算其投影到 2D 成像平面上的坐标。对于一个已有的相机而言,只有在恰当位置范围内的 3D 物体才可能投影到成像平面上。这个恰当范围,跟成像平面的大小,以及相机中心到平面距离等因素有关。在图形学中有一个专门的模型来定义这个范围:上图这个形似棱锥的模型,就是相机的可视范原创 2023-12-09 22:11:14 · 722 阅读 · 0 评论 -
98、Text2Room: Extracting Textured 3D Meshes from 2D Text-to-Image Models
利用预训练的2D文本到图像模型来合成来自不同姿势的一系列图像。为了将这些输出提升为一致的3D场景表示,将单目深度估计与文本条件下的绘画模型结合起来,提出了一个连续的对齐策略,迭代地融合场景帧与现有的几何形状,以创建一个无缝网格。原创 2023-11-24 22:53:41 · 1562 阅读 · 0 评论 -
97、Text2NeRF: Text-Driven 3D Scene Generation with Neural Radiance Fields
使用扩散模型来推断文本相关图像作为内容先验,并使用单目深度估计方法来提供几何先验,并引入了一种渐进的场景绘制和更新策略,保证不同视图之间纹理和几何的一致性。原创 2023-11-23 14:54:21 · 476 阅读 · 0 评论 -
96、ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering
ScatterNeRF原创 2023-05-11 21:04:15 · 435 阅读 · 2 评论 -
95、Image Restoration with Mean-Reverting Stochastic Differential Equations
IR-SDE原创 2023-05-11 12:20:57 · 887 阅读 · 0 评论 -
94、DehazNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction using Neural Radiance Fields
DehazNeRF原创 2023-04-27 21:47:31 · 287 阅读 · 0 评论 -
93、Dehazing-NeRF: Neural Radiance Fields from Hazy Images
Dehazing-NeRF原创 2023-04-25 21:13:02 · 775 阅读 · 0 评论 -
92、Nerfbusters: Removing Ghostly Artifacts from Casually Captured NeRFs
Nerfbusters原创 2023-04-25 15:54:10 · 815 阅读 · 0 评论 -
91、MERF: Memory-Efficient Radiance Fields for Real-time View Synthesis in Unbounded Scenes
MERF原创 2023-04-24 20:57:39 · 769 阅读 · 0 评论 -
90、Neural Residual Radiance Fields for Streamably Free-Viewpoint Videos
NeRF原创 2023-04-12 22:22:43 · 645 阅读 · 1 评论 -
89、HexPlane: A Fast Representation for Dynamic Scenes
HexPlane原创 2023-03-30 20:27:10 · 996 阅读 · 0 评论 -
88、K-Planes: Explicit Radiance Fields in Space, Time, and Appearance
K-Planes原创 2023-03-28 20:33:35 · 1027 阅读 · 0 评论 -
87、Let 2D Diffusion Model Know 3D-Consistency for Robust Text-to-3D Generation
let 2d原创 2023-03-21 21:59:22 · 939 阅读 · 0 评论 -
86、Reliable Image Dehazing by NeRF
Reliable Image Dehazing by NeRF原创 2023-03-21 09:56:05 · 632 阅读 · 0 评论 -
85、Magic3D: High-Resolution Text-to-3D Content Creation
Magic3D原创 2023-03-20 10:10:11 · 1647 阅读 · 0 评论 -
84、Latent-NeRF for Shape-Guided Generation of 3D Shapes and Textures
Latent-NeRF原创 2023-03-19 16:59:54 · 1531 阅读 · 1 评论 -
83、NeRFshop: Interactive Editing of Neural Radiance Fields
NeRFshop原创 2023-03-17 21:58:40 · 807 阅读 · 1 评论 -
82、PAC-NERF: PHYSICS AUGMENTED CONTINUUM NEURAL RADIANCE FIELDS FOR GEOMETRYAGNOSTIC SYSTEM IDENTIFI
PAC原创 2023-03-15 19:36:16 · 605 阅读 · 1 评论 -
81、Ref-NeRF: Structured View-Dependent Appearance for Neural Radiance Fields
Ref-NeRF原创 2023-03-14 17:03:27 · 957 阅读 · 0 评论 -
80、DREAMFUSION: TEXT-TO-3D USING 2D DIFFUSION
DREAMFUSION原创 2023-03-13 20:30:33 · 1623 阅读 · 0 评论 -
79、ClimateNeRF: Physically-based Neural Rendering for Extreme Climate Synthesis
ClimateNeRF: Physically-based Neural Rendering for Extreme Climate Synthesis原创 2023-03-06 20:45:15 · 876 阅读 · 0 评论 -
78、Points2NeRF: Generating Neural Radiance Fields from 3D point cloud
Points2NeRF原创 2023-01-27 21:17:52 · 688 阅读 · 0 评论 -
77、TensoRF: Tensorial Radiance Fields
TensoRF原创 2023-01-25 21:43:18 · 1484 阅读 · 1 评论 -
76、One is All: Bridging the Gap Between Neural Radiance Fields Architectures with Progressive Volume
One is All原创 2023-01-24 21:09:30 · 248 阅读 · 0 评论 -
75、DiffRF: Rendering-Guided 3D Radiance Field Diffusion
DiffRF原创 2023-01-17 23:00:34 · 1751 阅读 · 0 评论 -
74、Beyond RGB: Scene-Property Synthesis with Neural Radiance Fields
Beyond RGB原创 2023-01-15 20:57:53 · 312 阅读 · 0 评论 -
73、DisCoScene: Spatially Disentangled Generative Radiance Fields for Controllable 3D-aware Scene Syn
DisCoScene原创 2023-01-14 18:26:32 · 302 阅读 · 0 评论 -
72、PaletteNeRF: Palette-based Appearance Editing of Neural Radiance Fields
PaletteNeRF原创 2023-01-13 22:46:34 · 553 阅读 · 0 评论 -
71、AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance Fields
AdaNeRF原创 2023-01-12 19:27:01 · 682 阅读 · 3 评论