NeRF相关文章记录

前言

以下均是个人理解，不足之处欢迎指正。

BARF

项目链接
总结： 当输入的位姿不准确时，也可以通过错误的位姿获得正确的建图。
贡献：
1.对位姿进行优化（这里参考了图像配准）
2.添加mask以保证高维位置编码不会对配准产生影响
展开来讲：
针对第一点——作者提出了一个新的loss函数，可以对MLP中的参数$\theta$和位姿$p$都进行优化。

针对第二点——作者发现对位置编码求导后会出现很大的常数项（公式12），使得信号不平滑，这对配准不利。因此，作者添加了mask函数，其中$\alpha$随着训练次数的增大而增大，使得前期平滑信号学习图像配准，后期高频信号学习场景表示。

Mip-NeRF-pytorch代码记录

采样 → 位置编码

Seathru-NeRF

方法

基于散射场景，提出一个新的渲染模型，并在合成和真实数据集上进行验证，方法做到了以下几点：
1.颜色复原
2.3D场景结构估计（超越了SFM和原始NeRF）尤其是在远处
3.参数估计
方法改进了nerf的渲染公式，在渲染过程中除了物体光以外，还增加了介质的光

实验

合成数据集合成了 fog和水下两种场景（都包含散射介质），水下场景额外考虑了光线的吸收（给出Sea-thru模型参数进行合成）。