NeRF与三维重建相关
Flexible Techniques for Differentiable Rendering with 3D Gaussians
https://arxiv.org/abs/2308.14737
CMU
快速、可靠的形状重建是许多计算机视觉应用中的重要组成部分。神经辐射场证明,逼真的新颖视图合成是可以实现的,但受到快速重建真实场景和物体的性能要求的限制。最近的几种方法建立在替代形状表示的基础上,特别是 3D 高斯。本文开发了这些渲染器的扩展,例如集成可微光流、导出防水网格和渲染每光线法线。此外,本文还展示了两种最近的方法如何彼此互操作。这些重建快速、稳健,并且可以在 GPU 或 CPU 上轻松执行。
Relighting Neural Radiance Fields with Shadow and Highlight Hints
https://arxiv.org/abs/2308.13404
浙江大学、微软亚洲研究院、College of William & Mary
本文提出了一种新的神经隐式辐射率表示,用于从由与视图位置不同的移动点光源照亮的物体的一小组非结构化照片中进行自由视点重新照明
R3D3: Dense 3D Reconstruction of Dynamic Scenes from Multiple Cameras
https://arxiv.org/abs/2308.14713
ETH, 微软
本文提出了 R3D3,一种用于密集 3D 重建和自我运动估计的多摄像头系统。
Multi-Modal Neural Radiance Field for Monocular Dense SLAM with a Light-Weight ToF Sensor
https://arxiv.org/abs/2308.14383
浙江大学CAD&CG实验室,Google
本文推出了第一个带有单目相机和轻量级 ToF 传感器的密集 SLAM 系统
Sparse3D: Distilling Multiview-Consistent Diffusion for Object Reconstruction from Sparse Views
https://arxiv.org/abs/2308.14078
清华大学、腾讯ARC实验室、北京师范大学
本文提出了 Sparse3D,这是一种专为稀疏视图输入量身定制的新颖 3D 重建方法。
SuperUDF: Self-supervised UDF Estimation for Surface Reconstruction
https://arxiv.org/abs/2308.14371
国防科技大学
本文提出了 SuperUDF,一种自监督 UDF 学习,它利用学习的几何先验进行高效训练,并利用新的正则化来提高稀疏采样的鲁棒性。
9DTact: A Compact Vision-Based Tactile Sensor for Accurate 3D Shape Reconstruction and Generalizable 6D Force Estimation
https://arxiv.org/abs/2308.14277
上海期智研究院、清华大学、华中科技大学、上海AI实验室
本文推出 9DTact,这是一款简单但多功能的触觉传感器,提供 3D 形状重建和 6D 力估计功能。
HoloFusion: Towards Photo-realistic 3D Generative Modeling
https://arxiv.org/abs/2308.14244
UCL,Meta AI
本文提出了 HoloFusion,一种结合了这些方法中最好的方法来生成高保真、可信且多样化的 3D 样本,同时仅从多视图 2D 图像集合中学习的方法
Disjoint Pose and Shape for 3D Face Reconstruction
https://arxiv.org/abs/2308.13903
University of California Santa Cruz
本文提出了一种端到端的流程,可分离求解姿势和形状,以使优化稳定且准确
360-Degree Panorama Generation from Few Unregistered NFoV Images
https://arxiv.org/abs/2308.14686
上海交通大学
本文提出了一种名为 PanoDiff 的新pipeline,它使用从任意角度捕获的一个或多个未配准的 NFOV 图像有效地生成完整的 360∘ 全景图。
Surveys
Reinforcement Learning for Generative AI: A Survey
https://arxiv.org/abs/2308.14328
Macquarie University,UCSD
本文在RL在生成式AI方向提供了严格的分类法,并对各种模型和应用程序进行了充分的覆盖。值得注意的是,本文还调查了快速发展的大型语言模型领域。本文通过展示可能解决当前模型的局限性并扩展生成人工智能前沿的潜在方向来结束本次调查。
AIGC for Various Data Modalities: A Survey
https://arxiv.org/abs/2308.14177
本文对不同数据模态的 AIGC 方法进行了全面回顾,包括单模态和跨模态方法,强调了每种设置中的各种挑战、代表性工作和最新技术方向
Depth self-supervision for single image novel view synthesis
https://arxiv.org/abs/2308.14108
University of Bologna
本文解决了在给定单帧作为输入的情况下从任意视点生成新颖图像的问题。
今日更新结束
Jason陪你练绝技B站更新地址:https://space.bilibili.com/455056488
NeRF相关工作整理Github repo:https://github.com/yangjiheng/nerf_and_beyond_docs
领取专属 10元无门槛券
私享最新 技术干货