昨天今天明天专题-计算机视觉与图形学004

《Point-NeRF: Point-based Neural Radiance Fields》
《Point-NeRF:基于点的神经辐射场》

像NeRF这样神经体渲染方法可以生成高质量的视图合成结果,但对每个场景都进行了优化,导致重建时间过长。另一方面,深度多视角立体方法可以通过直接网络推理快速重建场景几何体。Point-NeRF结合了这两种方法的优点,使用神经3D点云和相关的神经特征来模拟辐射场。在基于光线推进的渲染管道中,通过聚集场景表面附近的神经点特征,可以高效地进行渲染。此外,可以通过预先训练的深度网络的直接推理来初始化点NeRF,从而生成神经点云;该点云可以微调以超过NeRF的视觉质量,训练时间加快30倍。Point-NeRF可以与其他三维重建方法相结合,并通过一种新的修剪和生长机制来处理这些方法中的错误和异常值。在DTU、NeRF合成、ScanNet和坦克及寺庙数据集上的实验表明,Point NeRF可以超越现有方法,达到最先进的效果。
论文主页:https://xharlie.github.io/projects/project_sites/pointnerf/

《4D-Net for Learned Multi-Modal Alignment》
《用于学习多模态对准的4D网络》
我们提出了一种三维目标检测方法4D Net,它利用了三维点云和RGB传感信息,两者都是实时的。我们能够通过在各种特征表示和抽象级别上执行新的动态连接学习,以及通过观察几何约束来整合4D信息。在Waymo开放数据集上,我们的方法优于最先进方法。4D网络能够更好地利用运动线索和密集的图像信息来更成功地检测远处的物体。我们将开放源代码。

更多计算机视觉与图形学相关资料,请关注微信公众号:计算机视觉与图形学实战
在这里插入图片描述

如果您认为上面的内容对您有一定的价值,可以对我们进行小小的赞助,来支持我们的工作,因为后续打算构建自己的网站,谢谢:
在这里插入图片描述

你可能感兴趣的:(周末时光-我的有趣灵魂,计算机视觉,人工智能)