Multi-tiling Neural Radiance Field (NeRF) -- Geometric Assessment on Large-scale Aerial Datasets
本文针对大规模航空数据上NeRF内存消耗高、收敛慢的问题,提出位置特定采样与多相机分块策略,并在Mip-NeRF上实现,通过航空数据集与LiDAR基准验证其在几何完整性和细节上优于传统MVS方法,但精度仍有差距。
2024-06-05 cs.CV
Relighting Neural Radiance Fields with Shadow and Highlight Hints
Microsoft Research Asia(微软亚洲研究院);State Key Lab of CAD and CG, Zhejiang University(浙江大学CAD&CG国家重点实验室);College of William & Mary(威廉与玛丽学院)
针对自由视角重光照需求,提出带阴影与高光提示的神经隐式辐射表示,用双多层感知机分别建模形状与反射,在合成及真实场景中验证了有效性。
2023-08-25 cs.CV cs.GR
Triangle Splatting for Real-Time Radiance Field Rendering
University of Liège(列日大学);KAUST(阿卜杜拉国王科技大学);University of Oxford(牛津大学);Simon Fraser University(西蒙弗雷泽大学);University of Toronto(多伦多大学);Google DeepMind(谷歌DeepMind)
本文提出三角形溅射可微渲染器,直接优化三角形,结合三角形效率与独立基元密度,在Mip-NeRF360上超越高斯溅射,实现高保真、快速收敛和超2400 FPS实时渲染。
2025-05-25 cs.CV
D$^2$NeRF: Self-Supervised Decoupling of Dynamic and Static Objects from a Monocular Video
University of Cambridge(剑桥大学);Google Research(谷歌研究院);Simon Fraser University(西蒙弗雷泽大学)
对于单目视频,在恢复静态环境的同时分割和解耦动态对象是机器智能中广泛研究的问题。现有的解决方案通常在图像域中解决这个问题,限制了它们的性能和对环境的理解。我们介绍了解耦动态神经辐射场(D $^2$ NeRF),一种自监督的方法,采用单目视频,并学习一个3D场景表示,从静态背景中提取移动对象,包括它们的阴影。我们的方法表示的运动物体和静态背景的两个单独的神经辐射场,只有一个允许时间的变化。这种方法的简单实现导致动态组件接管静态组件,因为前者的表示本质上更一般,并且易于过拟合。为此,我们提出了一种新的损失来促进现象的正确分离。我们进一步提出了一个阴影场网络来检测和解耦动态移动的阴影。我们引入了一个新的数据集,包含各种动态对象和阴影,并证明我们的方法可以实现更好的性能比国家的最先进的方法在解耦动态和静态的3D对象,遮挡和阴影去除,图像分割的移动对象。
2022-11-05 cs.CV
A Real-time Method for Inserting Virtual Objects into Neural Radiance Fields
Zhejiang University(浙江大学);Microsoft Research Asia(微软亚洲研究院)
本研究提出首个将刚性虚拟物体插入NeRF的实时方法,通过结合NeRF近场光与环境光估计光照、利用透明度图处理遮挡、借助预计算球形有符号距离场生成阴影,实现高保真实时插入与交互,有望应用于增强现实系统。
2023-10-09 cs.CV cs.GR
Relighting Scenes with Object Insertions in Neural Radiance Fields
National University of Defense Technology(国防科技大学)
针对现有AR物体插入方法场景受限的问题,提出基于NeRF的物体插入与重光照流水线,采用球谐与球面高斯混合光照表示及深度图对比的软阴影渲染方法,实现逼真的新视角合成与重光照效果。
2024-06-21 cs.CV cs.GR
A Comparative Neural Radiance Field (NeRF) 3D Analysis of Camera Poses from HoloLens Trajectories and Structure from Motion
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文比较 HoloLens 轨迹与 SfM 相机位姿对 NeRF 三维重建的影响,提出近乎直接使用 HoloLens 数据的流程,并证明位姿优化可将 PSNR 提升至 27 dB。
2023-04-20 cs.CV
Evaluating geometric accuracy of NeRF reconstructions compared to SLAM method
UC Santa Cruz(加州大学圣克鲁兹分校);Electrical and Computer Engineering(电气与计算机工程学院)
本文评估了基于iPhone和机器人数据的两种NeRF重建在测量垂直PVC圆柱体直径时的几何精度,并与最先进的lidar-inertial SLAM在场景噪声和度量精度上进行了对比。
2024-07-25 cs.CV cs.RO
SIR: Multi-view Inverse Rendering with Decomposable Shadow Under Indoor Intense Lighting
The Hong Kong Polytechnic University(香港理工大学);Laboratory for Artificial Intelligence in Design(人工智能设计实验室)
提出SIR方法,利用多视图带位姿HDR图像和基于SDF的神经辐射场,通过学习可微阴影与三阶段材质估计,有效分解室内强光下的材质与光照,实现高质量逆向渲染及多种场景编辑功能。
2025-04-26 cs.CV
NeRF-HuGS: Improved Neural Radiance Fields in Non-static Scenes Using Heuristics-Guided Segmentation
Sun Yat-sen University(中山大学);Cardiff University(卡迪夫大学);University of Pennsylvania(宾夕法尼亚大学);SmartMore Corporation(思谋科技)
本文提出NeRF-HuGS,通过结合手工启发式与先进分割模型,显著提升非静态场景中静态与瞬态干扰物的分离,有效减少NeRF伪影。
2024-03-26 cs.CV
FusionRF: High-Fidelity Satellite Neural Radiance Fields from Multispectral and Panchromatic Acquisitions
Johns Hopkins University(约翰霍普金斯大学)
FusionRF提出一种无需全色锐化预处理的卫星神经辐射场框架,通过跨分辨率核和多模态外观嵌入联合融合多光谱与全色图像,在WorldView-3数据上平均降低17%深度重建误差。
2025-11-05 cs.CV eess.IV
Animated 3DGS Avatars in Diverse Scenes with Consistent Lighting and Shadows
Tübingen AI Center, University of Tübingen(图宾根人工智能中心,图宾根大学);Snap Inc.(Snap公司)
本文提出DGSM和SH重照明方法,实现动画3DGS虚拟角色在多样化场景中的一致光照和阴影效果。
2026-01-04 cs.CV
BathyFacto: Refraction-Aware Two-Media Neural Radiance Fields for Bathymetry
Department of Geodesy and Geoinformation, TU Wien(维也纳技术大学测绘与地理信息系);Institute of Photogrammetry and Remote Sensing (IPF), Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院测绘与遥感研究所);Unit of Geometry and Surveying, University of Innsbruck(因斯布鲁克大学几何与测绘单位)
BathyFacto通过整合Nerfacto,利用折射-aware的双介质神经辐射场技术,提高水下点云的测量精度,解决了水面折射带来的系统性深度偏差问题。
2026-07-17 cs.CV
TranSplat: Instant Object Relighting in Gaussian Splatting via Spherical Harmonic Radiance Transfer
Rice University(里士大学);University of Maryland(马里兰大学);Stony Brook University(石溪大学);University of California, San Diego(加州大学圣地亚哥分校)
TranSplat在高斯点云框架中实现物体即时准确光照重置,通过BRDF无关的辐射传输策略,利用源和目标环境图的每法线辐照比调节球谐函数外观系数,无需显式材质估计,实现视点依赖和光泽外观的处理。
2026-07-21 cs.CV
RawSLAM: Online HDR Gaussian SLAM from Linear Radiance
针对极端光照下LDR SLAM的鲁棒性问题,提出首个在线HDR高斯SLAM框架RawSLAM,直接处理16位线性图像,通过HDR高斯溅射、Reinhard光度目标和梯度加权,提升轨迹与重建精度,并引入包含10个序列的RAW数据集。
2026-09-18 cs.CV
RelitLRM: Generative Relightable Radiance for Large Reconstruction Models
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学);Cornell University(康奈尔大学);Adobe Research(奥多比研究机构)
RelitLRM 是一种大型重建模型,通过结合几何重建器和基于扩散的可重新照明外观生成器,从稀疏图像生成高质量3D物体表示,有效分解几何与外观,实现快速且高质量的重新照明效果。
2024-10-10 cs.CV cs.GR cs.LG
Metadata-free Georegistration of Ground and Airborne Imagery
Vision Systems, Inc.(视觉系统公司)
提出一种利用卫星影像、DSM和3D建模技术实现地面与航空影像无元数据地理配准的稳健方法,实验证明其普遍适用。
2025-03-06 cs.CV
Fast Sun-aligned Outdoor Scene Relighting based on TensoRF
Seoul National University(首尔大学);Yonsei University(延世大学)
本研究提出面向NeRF的户外场景重光照方法SR-TensoRF,通过太阳对齐策略简化流程,结合立方体贴图与TensoRF的训练效率,实现了训练和渲染的显著加速。
2023-11-07 cs.CV
GaRe: Relightable 3D Gaussian Splatting for Outdoor Scenes from Unconstrained Photo Collections
Nanjing University(南京大学);Brown University(布朗大学);JSTI Group(JSTI集团)
针对非约束户外照片集,本文提出基于 3D Gaussian splatting 与本征分解的 GaRe 框架,通过太阳可见性提取、区域监督和光线追踪阴影实现高保真、可控重光照。
2025-07-28 cs.CV
SatSplat: Geometrically-Accurate Gaussian Splatting for Satellite Imagery
The Ohio State University(俄亥俄州立大学)
提出SatSplat,首个将2D高斯泼溅(2DGS)适配到卫星摄影测量的框架,通过在线相机调整和几何阴影映射,在DFC2019和IARPA2016基准上实现了高几何精度,相比基于3DGS的方法,平均绝对误差降低11.93%,峰值显存减少31%。
2026-06-26 cs.CV
Neural Fields meet Explicit Geometric Representation for Inverse Rendering of Urban Scenes
NVIDIA(英伟达);University of Toronto(多伦多大学);Vector Institute(向量研究所);ETH Zürich(苏黎世联邦理工学院)
提出一种针对大型城市场景的逆向渲染框架,结合neural field与显式网格联合重建几何、材质和光照,实现照片级真实感重新打光与虚拟物体插入。
2023-04-06 cs.CV
RNG: Relightable Neural Gaussians
Nanjing University of Science and Technology(南京理工大学);Adobe Research(奥多比研究中心);Nanjing University(南京大学)
本文提出可重光照神经高斯(RNG)框架,通过视角与光照方向条件化、阴影线索和深度细化网络以及混合前向-延迟拟合策略,在无需着色模型假设的情况下实现硬表面和软边界物体的高质量重光照,训练和渲染速度显著优于现有方法。
2025-04-07 cs.CV cs.GR
Vision-based Neural Scene Representations for Spacecraft
European Space Agency(欧洲空间局)
在具有高度自主性的先进任务概念中,航天器需要在内部模拟附近轨道物体的姿态和形状。最近的工作在神经场景表示的推断一般的三维场景从光学图像显示出有前途的结果。神经辐射场(NeRF)已经在使用大量图像及其姿势渲染高度镜面反射表面方面显示出成功。最近,生成辐射场(GRAF)实现了完整的体积重建的场景从unposed图像,由于使用对抗框架训练NeRF。在本文中,我们比较和评估NeRF和GRAF的潜力,使新的意见和提取的3D形状的两个不同的航天器,土壤水分和海洋盐度卫星欧空局的生命星球计划和一个通用的立方体卫星。考虑到这两种模型的最佳性能,我们观察到NeRF有能力在航天器的材料镜面反射及其姿态方面呈现更准确的图像。就其本身而言,GRAF即使在卫星的部分被遮蔽时也能生成具有精确细节的精确新颖视图,同时具有不需要任何有关相对姿态的信息的显著优势。
2021-05-11 cs.CV
Object-Centric Neural Scene Rendering
Stanford University(斯坦福大学);Google Research(谷歌研究院)
我们提出了一种方法,用于组成逼真的场景从捕获的图像的对象。我们的工作建立在神经辐射场(NeRFs)的基础上,它隐含地模拟了场景的体积密度和定向发射的辐射。虽然NeRFs合成逼真的图片,但它们只对静态场景进行建模,并且与特定的成像条件密切相关。这个属性使得NeRF很难推广到新的场景,包括新的照明或新的对象排列。我们建议学习以对象为中心的神经散射函数(OSF),而不是像NeRF那样学习场景辐射场,OSF是一种使用照明和视图相关的神经网络隐式建模每个对象光传输的表示。这使得即使对象或灯光移动时也可以渲染场景,而无需重新训练。结合体积路径追踪程序,我们的框架是能够渲染内和对象间的光传输效果,包括闭塞,镜面反射,阴影,和间接照明。我们评估我们的方法在场景组成,并表明它概括到新的照明条件下,产生逼真的,物理上准确的多对象场景渲染。
2020-12-15 cs.CV cs.GR
Incorporating Season and Solar Specificity into Renderings made by a NeRF Architecture using Satellite Images
本研究拓展Shadow NeRF与Sat-NeRF,通过引入时间输入变量和损失函数额外项,构建了可分离季节特征与阴影的NeRF架构,在8个Maxar卫星图像区域验证了新视角渲染、高度图生成等性能,消融实验验证了设计合理性。
2023-12-15 cs.CV eess.IV
SUNDIAL: 3D Satellite Understanding through Direct, Ambient, and Complex Lighting Decomposition
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院)
SUNDIAL提出一种基于神经辐射场的卫星影像三维重建方法,通过联合学习几何、光照分量和太阳方向,并采用次级阴影光线投射技术,实现场景与光照的有效解耦及改进的渲染和估计性能。
2023-12-24 cs.CV
Dynamic Mesh-Aware Radiance Fields
University of Maryland College Park(马里兰大学帕克分校)
本文提出一种网格与NeRF双向耦合的动态网格感知辐射场系统,通过高效光线传输算法、HDR图像训练及物理模拟器集成,实现网格资产的逼真渲染与物理一致模拟。
2023-09-08 cs.CV cs.GR cs.LG
NeRFactor: Neural Factorization of Shape and Reflectance Under an Unknown Illumination
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Google Research(谷歌研究院)
我们解决的问题,恢复的形状和空间变化的反射率的对象从多视图图像(和他们的相机构成)的一个未知的照明条件下照射的对象。这使得可以在任意环境照明和编辑对象的材质属性下渲染对象的新视图。我们称之为神经辐射因子分解(NeRFactor)的方法的关键是将对象的神经辐射场(NeRF)[Mildenhall et al. 2020]表示的体积几何体提取为表面表示,然后在求解空间变化的反射率和环境照明的同时共同细化几何体。具体来说,NeRFactor在没有任何监督的情况下恢复表面法线,光线可见性,反射率和双向反射分布函数(BRDF)的3D神经场,仅使用重新渲染损失,简单的平滑度先验和从真实世界BRDF测量中学习的数据驱动的BRDF先验。通过显式地建模光的可见性,NeRFactor能够将阴影从阴影中分离出来,并在任意照明条件下合成逼真的软阴影或硬阴影。NeRFactor能够恢复令人信服的3D模型,用于在合成和真实场景的这种具有挑战性和约束不足的捕获设置中进行自由视点重新照明。定性和定量实验表明,NeRFactor在各种任务中的表现优于经典和基于深度学习的最新技术水平。我们的视频、代码和数据可在people.csail.mit.edu/xiuming/projects/nerfactor/上获得。
2021-12-22 cs.CV cs.GR
NPLMV-PS: Neural Point-Light Multi-View Photometric Stereo
Toshiba Europe(东芝欧洲);University of Cambridge(剑桥大学)
提出NPLMV-PS多视图光度立体方法,利用逐像素强度渲染、点光源衰减建模与显式阴影光线追踪,联合优化神经材质渲染器与表面,在DiLiGenT-MV基准上优于经典方法,稀疏设置下鲁棒性显著优于SOTA。
2024-11-28 cs.CV
Rotated Lights for Consistent and Efficient 2D Gaussians Inverse Rendering
University of Maryland, College Park(马里兰大学College Park分校)
RotLight通过旋转物体减少逆渲染中的模糊性,结合代理网格提升全局光照处理,实现更准确的albedo估计。
2026-02-09 cs.CV cs.GR
Shadow Reduction in Ultrasound Imaging Using Differentiable Simulation and Radiance Field Decomposition
University of Oxford(牛津大学);University of Amsterdam(阿姆斯特丹大学);Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大-埃尔朗根-纽伦堡大学);Imperial College London(伦敦帝国理工学院);University of Copenhagen(哥本哈根大学)
提出物理信息后处理方法RFlash,通过可微辐射场分解超声图像为衰减和散射图,实现衰减自适应重渲染以消除阴影,在胎儿脑部等数据上显著降低阴影差异并提升分割性能。
2026-09-25 cs.CV
BirdNeRF: Fast Neural Reconstruction of Large-Scale Scenes From Aerial Imagery
BirdNeRF通过空间分解算法和投影引导重渲染策略,解决了大规模航空影像NeRF重建中的训练慢、资源需求高和视觉保真度低问题,实现10倍于经典软件、50倍于现有NeRF的重建加速。
2024-02-11 cs.CV
Density Uncertainty Quantification with NeRF-Ensembles: Impact of Data and Scene Constraints
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Institute of Photogrammetry and Remote Sensing (IPF)(摄影测量与遥感研究所)
本研究提出利用NeRF集成来量化密度不确定性,证明数据与场景约束影响不确定性,并展示其在鲁棒性和伪影去除方面的优势,在三个数据集上验证了方法有效性。
2023-12-22 cs.CV
Modeling Indirect Illumination for Inverse Rendering
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
隐式神经表示和可微分渲染的最新进展使得可以从未知静态照明下捕获的多视图RGB图像中同时恢复对象的几何形状和材料。尽管取得了有希望的结果,间接照明很少建模在以前的方法,因为它需要昂贵的递归路径追踪,这使得逆渲染计算棘手。在本文中,我们提出了一种新的方法来有效地恢复空间变化的间接照明。关键的见解是,间接照明可以方便地从输入图像中学习的神经辐射场导出,而不是与直接照明和材料联合估计。通过对间接照明和直接照明的可见性进行适当建模,可以恢复无互反射和无阴影的反射。合成和真实数据上的实验表明,我们的方法相比以前的工作和它的能力,以合成逼真的渲染新的观点和照明下的优越性能。我们的代码和数据可在https://zju3dv.github.io/invrender/上获得。
2022-04-14 cs.CV
NeRF applied to satellite imagery for surface reconstruction
Georgia Institute of Technology(佐治亚理工学院)
本文提出Surf-NeRF,通过改进S-NeRF模型,从稀疏卫星图像中合成新视角并准确估计表面高程,同时进行了超参数研究和100k epoch训练验证。
2023-04-18 cs.AI cs.CV cs.LG
SNeS: Learning Probably Symmetric Neural Surfaces from Incomplete Data
University of Oxford(牛津大学)
本文提出了一种部分对称物体的精确三维重建方法。我们建立在神经重建和渲染的最新进展,如神经辐射场(NeRF)的优势。这种方法的一个主要缺点是它们无法重建在训练图像中不清晰可见的对象的任何部分,这通常是野外图像和视频的情况。当缺乏证据时,可以使用结构先验(如对称性)来补充缺失的信息。然而,在神经渲染中利用这样的先验是非常重要的:虽然几何形状和非反射材料可能是对称的,但来自环境场景的阴影和反射通常不是对称的。为了解决这个问题,我们将软对称约束应用于3D几何形状和材料属性,将外观因素纳入照明,色彩和反射率。我们在最近引入的CO3D数据集上评估了我们的方法,由于重建高反射材料的挑战,我们将重点放在汽车类别上。我们表明,它可以重建未观察到的区域具有高保真度,并呈现高质量的新的视图图像。
2022-06-13 cs.CV
Animatable 3D Gaussian: Fast and High-Quality Reconstruction of Multiple Human Avatars
Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);GalaSports(高拉体育)
提出Animatable 3D Gaussian方法,通过蒙皮3D高斯与骨架建模、多头哈希编码器和时间相关环境光遮蔽模块,实现多人化身快速高质量重建,训练与渲染效率显著优于InstantAvatar。
2024-07-28 cs.CV cs.GR
NeRF On-the-go: Exploiting Uncertainty for Distractor-free NeRFs in the Wild
ETH Zürich(苏黎世联邦理工学院);Microsoft(微软公司);MPI for Intelligent Systems, Tübingen(蒂宾根智能系统马克斯·普朗克研究所)
提出NeRF On-the-go方法,利用不确定性在复杂野外场景中高效消除干扰物并快速合成新视图,显著优于现有技术。
2024-06-02 cs.CV
Neural apparent BRDF fields for multiview photometric stereo
University of York(约克大学)
我们建议使用扩展的神经辐射场(NeRFs),光源方向的条件下,解决多视图光度立体问题。我们的神经表征的几何部分预测表面法线方向,使我们能够推理局部表面反射率。我们的神经表示的外观部分被分解为神经双向反射函数(BRDF),作为拟合过程的一部分学习,以及阴影预测网络(以光源方向为条件),允许我们对表观BRDF进行建模。这种基于物理图像形成模型的学习组件与归纳偏差的平衡使我们能够从训练期间观察到的光源和观察者方向进行推断。我们证明了我们的方法在多视图光度立体基准,并表明竞争力的表现,可以获得神经密度表示的NeRF。
2022-07-14 cs.CV cs.GR
Gaussian in the Dark: Real-Time View Synthesis From Inconsistent Dark Images Using Gaussian Splatting
Tsinghua University(清华大学);Beijing Jiaotong University(北京交通大学)
针对暗光环境下多视图图像亮度不一致导致3D高斯泼溅性能下降的问题,提出Gaussian-DK,通过相机响应模块补偿不一致性并采用步长梯度缩放策略抑制漂浮物,实现高质量实时视图合成。
2024-08-20 cs.CV
RobustNeRF: Ignoring Distractors with Robust Losses
Google Research, Brain Team(谷歌研究院大脑团队);University of Toronto(多伦多大学);Simon Fraser University(西蒙菲莎大学)
针对NeRF场景中干扰物导致的伪影问题,提出将训练数据中的干扰物建模为优化问题的异常值进行鲁棒估计,成功移除异常值并提升合成与真实场景下的新视角合成质量。
2024-07-26 cs.CV cs.LG
Depth Supervised Neural Surface Reconstruction from Airborne Imagery
nFrames ESRI;Institute for Photogrammetry and Geoinformatics, University of Stuttgart(测绘与地理信息研究所,斯图加特大学);Geoinformatics, University of Stuttgart(地理信息学,斯图加特大学)
本研究探讨神经辐射场在航空影像表面重建中的适用性,并证明整合束块调整中连接点深度先验的益处,基于VolSDF框架与基准数据集对比评估。
2024-04-25 cs.CV
PS-NeRF: Neural Inverse Rendering for Multi-view Photometric Stereo
The University of Hong Kong(香港大学);Nanyang Technological University(南洋理工大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
传统的多视点光度立体(MVPS)方法通常由多个不相交的阶段组成,导致明显的累积误差。本文提出了一种基于隐式表示的MVPS神经逆绘制方法。给定由多个未知方向光照射的非朗伯物体的多视图图像,我们的方法联合估计几何形状、材料和光。我们的方法首先采用多光图像来估计每视图表面法线映射,其用于正则化从神经辐射场导出的法线。然后,它基于阴影感知可区分渲染层联合优化曲面法线、空间变化BRDF和灯光。优化后的重建对象可用于新视图渲染、重新照明和材质编辑。在合成数据集和真实数据集上的实验表明,我们的方法实现了比现有的MVPS和神经渲染方法更准确的形状重建。我们的代码和模型可以在https://ywq.github.io/psnerf上找到。
2022-12-22 cs.AI cs.CV
Gaussian Splatting with NeRF-based Color and Opacity
Jagiellonian University(雅盖隆大学);University of Cambridge(剑桥大学)
针对 GS 条件化困难而 NeRF 训练推理较慢的问题,本文提出混合模型 VDGS,用 GS 表示形状、NeRF 编码视角相关颜色与不透明度,以更好呈现阴影、反射和透明效果。
2024-06-12 cs.CV
CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations
Ford Motor Company(福特汽车公司);University of Michigan(密歇根大学);Carnegie Mellon University(卡内基梅隆大学)
提出CLONeR方法,通过解耦占用与颜色学习为独立MLP并构建可微3D占用网格图,改进了NeRF在稀疏视角大型室外驾驶场景下的新视角合成与稠密深度预测性能。
2023-04-04 cs.CV
Interactive Rendering of Relightable and Animatable Gaussian Avatars
State Key Lab of CAD & CG, Zhejiang University(浙江大学计算机辅助设计与图形学国家重点实验室);UCL Centre for Artificial Intelligence, Department of Computer Science, University College London(伦敦大学学院计算机科学系人工智能中心);Kahlert School of Computing, University of Utah(犹他大学Kahlert计算学院)
针对数字人创建中可重光照可驱动化身的渲染效率问题,提出基于高斯溅射的高效方法,解耦材质与光照,实现新视角姿态光照下的交互式高质量渲染,速度和效果优于现有方法。
2025-05-20 cs.CV
Sapling-NeRF: Geo-Localised Sapling Reconstruction in Forests for Ecological Monitoring
Oxford Robotics Institute, Department of Engineering Science, University of Oxford, Oxford, UK(牛津大学机器人研究所、工程科学系、牛津大学、牛津、英国);Group of Automation, Robotics and Computer Vision, University of Alicante, Alicante, Spain(自动化、机器人与计算机视觉小组、阿尔瓦登特大学、阿尔瓦登特、西班牙);Department of Biology, University of Oxford, Oxford, UK(生物学系、牛津大学、牛津、英国)
本文提出Sapling-NeRF方法,结合NeRF、LiDAR SLAM和GNSS,实现地理定位的幼树重建,提升森林生态监测的精度和长期数据采集能力。
2026-02-26 cs.CV cs.RO
SIRe-IR: Inverse Rendering for BRDF Reconstruction with Shadow and Illumination Removal in High-Illuminance Scenes
State Key Laboratory of CAD&CG, Zhejiang University(浙江大学CAD&CG国家重点实验室);Tencent(腾讯)
针对强光照场景下阴影和间接光照导致逆渲染困难的问题,提出 SIRe-IR 方法,通过非线性映射与正则化可见性估计同时建模多种光照因素,实现无阴影干扰的高质量材质分解与 BRDF 重建。
2023-11-19 cs.CV
Floating Radiance Networks
该研究提出浮动辐射场网络(FlaRe),一种结合可显式光线追踪几何与连续神经辐射函数的神经场景表示,可实现高保真渲染、光线追踪、几何操作与外观编辑的统一,在基准测试中具竞争力。
2026-08-07 cs.CV
Building Height Estimation Using Shadow Length in Satellite Imagery
针对单目卫星图像丢失3D信息导致建筑物高度估计困难的问题,提出利用阴影长度作为额外线索,结合改进的YOLOv7和ResNet18进行定位与回归,并通过摄影测量原理解析计算高度,在42个城市数据上超越现有方法。
2024-11-14 cs.CV eess.IV
SAT-NGP : Unleashing Neural Graphics Primitives for Fast Relightable Transient-Free 3D reconstruction from Satellite Imagery
CNES(法国国家空间研究中心);Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);ENSG(法国国立地理科学学院);IGN(法国国家地理学会)
针对多日期卫星图像重建中瞬态干扰及NeRF计算耗时长的问题,提出SAT-NGP模型,利用高效采样和多分辨率哈希编码将学习时间降至15分钟,同时保持3D重建质量。
2024-03-27 cs.AI cs.CV
Drone-NeRF: Efficient NeRF Based 3D Scene Reconstruction for Large-Scale Drone Survey
University of Southampton(南安普顿大学);The Hong Kong Polytechnic University(香港理工大学);National University of Defense Technology(国防科技大学)
提出Drone-NeRF框架,通过子块划分、并行训练与融合,实现大规模无人机倾斜摄影场景的高效、精确三维重建。
2023-08-30 cs.CV cs.RO
NeRF for Outdoor Scene Relighting
MPI for Informatics(马克斯·普朗克信息学研究所);Saarland University(萨尔大学);University of York(约克大学)
从照片中对户外场景进行逼真的编辑需要对图像形成过程有深刻的理解,并对场景的几何形状、反射率和照明进行准确的估计。然后,可以执行照明的精细操纵,同时保持场景的亮度和几何形状不变。我们提出NeRF-OSR,即,第一种基于神经辐射场的室外场景重照明方法。与现有技术相比,我们的技术允许仅使用在不受控制的设置中拍摄的户外照片的集合来同时编辑场景照明和相机视点两者。此外,它能够直接控制场景照明,如通过球面谐波模型定义的。为了进行评估,我们收集了一个新的基准数据集,这些数据集包含了从多个角度和不同时间拍摄的几个户外场地。每一次,一个360度的环境地图与颜色校准棋盘一起被捕获,以允许对真实数据进行准确的数值评估。与SoTA的比较表明,NeRF-OSR能够以更高的质量和逼真的自阴影再现实现可控照明和视点编辑。我们的方法和数据集可在https://4dqv.mpi-inf.mpg.de/NeRF-OSR/上公开获得。
2022-07-21 cs.CV cs.GR
Subsurface Scattering for 3D Gaussian Splatting
University of Tübingen(图宾根大学)
针对3D高斯泼溅无法捕捉次表面散射体积特性的问题,提出结合显式3D高斯表面与隐式散射体积的框架,通过可微渲染联合优化,实现了更快速度下的高质量重建、重光照与材质编辑。
2024-10-31 cs.CV cs.GR