- 博客(7)
- 收藏
- 关注
RSS订阅原创 基于NeRF的自动驾驶动态场景生成任务中的数据处理过程
对于N帧训练数据，每一帧的相机位置固定，也即光线原点固定，为相机在世界坐标系下的3D位置，也即每一帧相机的c2w矩阵的平移参数；方向d可以由相机内参和像素坐标系中的像素点获得，首先像素坐标系和相机坐标系的转换关系如下：（u，v）为像素坐标系下坐标，（X，Y，Z）为相机坐标系下坐标。如果需要进行相机坐标系的变换，如从opencv坐标系转到opengl坐标系，则需要再乘一个矩阵变换，因为其定义的xyz方向不同。给定了相机坐标系下的Z值（可以理解为3D深度），首先由u，v获取到对应的相机坐标系下的3D坐标（
2023-12-12 21:10:38
972
原创 论文阅读：MARS: An Instance-aware, Modular and Realistic Simulator for Autonomous Driving
首先计算给定光线与所有可见实例的3Dbbox的交点，获取光线在其上的起点与终点。之后对背景和所有的实例前景进行光线上的3D点采样，再经过对应的渲染网络模型输出点的信息。代码中默认使用的同样是采用条件隐变量编码模式，即对相同的类别实例使用同一个nerf模型，对每个类别的具体实例加入一段专属的隐变量编码进行表征。将动态前景与静态背景使用独立的网络分别进行建模，这样的目的是使得动态实例的静态特征（如外观尺寸）和动态特征（如轨迹）能够分别控制。该系统的输入包含一系列的RGB图像，传感器姿态，物体的追踪信息。
2023-12-12 12:32:58
536
原创 三维空间中变换矩阵求逆操作
在这段代码中，我们首先定义了一个3x3的旋转矩阵R和一个3x1的平移向量t。然后，我们构建了一个4x4的齐次变换矩阵T。变换矩阵T的逆矩阵T_inv可以通过取R的转置（因为旋转矩阵是正交的）和平移向量的负值来计算。这个脚本假设你已经有了旋转矩阵R和平移向量t。请确保旋转矩阵R确实是正交的，即R @ R.T接近单位矩阵，并且其行列式接近1。求这种变换矩阵的逆通常用于从一个坐标系变换到另一个坐标系，特别是在自动驾驶和NeRF相关的三维重建中。在三维空间中，一个刚体变换通常由一个旋转矩阵和一个平移向量组成。
2023-12-12 11:38:13
584
原创 论文笔记：NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
NeRF论文阅读
2023-12-11 14:10:42
940
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人