ECCV2022|AdaNeRF：自适应采样用于神经辐射场实时渲染！论文/代码速递2022.11.16！
ECCV2022|AdaNeRF：自适应采样用于神经辐射场实时渲染！论文/代码速递2022.11.16！
整理：AI算法与图像处理
CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo
ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo
最新成果demo展示：
ECCV2022|AdaNeRF：自适应采样用于神经辐射场实时渲染！代码开源
标题：AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance Fields
论文：https://arxiv.org/pdf/2207.10312.pdf
代码：https://github.com/thomasneff/AdaNeRF
摘要：
最近，通过直接从稀疏观测中学习神经辐射场，新的视图合成发生了革命性的变化。然而，由于体绘制方程的精确求积需要每条射线的大量样本，因此使用这种新范式绘制图像的速度很慢。先前的工作主要集中在加快与每个采样点相关联的网络评估，例如，通过将辐射值缓存到显式空间数据结构中，但这是以牺牲模型紧凑性为代价的。在本文中，我们提出了一种新的双网络架构，通过学习如何最佳地减少所需采样点的数量，该架构采用正交方向。为此，我们将我们的网络拆分为一个采样和着色网络，这些网络是联合训练的。我们的训练方案沿每条射线采用固定的样本位置，并在整个训练过程中逐步引入稀疏性，以实现高质量，即使在低样本数下也是如此。在用目标样本数进行微调后，可以实时呈现得到的紧凑神经表示。我们的实验表明，我们的方法在质量和帧速率方面优于并发紧凑神经表示，并且与高效混合表示性能相当
最新论文整理
ECCV2022
Updated on : 16 Nov 2022
total number : 4
Dynamic Temporal Filtering in Video Models
- 论文/Paper: http://arxiv.org/pdf/2211.08252
- 代码/Code: https://github.com/fuchenustc/dtf
SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness Enhancement
- 论文/Paper: http://arxiv.org/pdf/2211.08250
- 代码/Code: https://github.com/zhaofanqiu/spe-net
IntegratedPIFu: Integrated Pixel Aligned Implicit Function for Single-view Human Reconstruction
- 论文/Paper: http://arxiv.org/pdf/2211.07955
- 代码/Code: None
YORO -- Lightweight End to End Visual Grounding
- 论文/Paper: http://arxiv.org/pdf/2211.07912
- 代码/Code: None
CVPR2022
NeurIPS
Updated on : 16 Nov 2022
total number : 4
Identifying Spurious Correlations and Correcting them with an Explanation-based Learning
- 论文/Paper: http://arxiv.org/pdf/2211.08285
- 代码/Code: None
Scene-to-Patch Earth Observation: Multiple Instance Learning for Land Cover Classification
- 论文/Paper: http://arxiv.org/pdf/2211.08247
- 代码/Code: https://github.com/jaearly/mil-land-cover-classification
MORA: Improving Ensemble Robustness Evaluation with Model-Reweighing Attack
- 论文/Paper: http://arxiv.org/pdf/2211.08008
- 代码/Code: https://github.com/lafeat/mora
Do Neural Networks Trained with Topological Features Learn Different Internal Representations?
- 论文/Paper: http://arxiv.org/pdf/2211.07697
- 代码/Code: None