City-Level 3D Surface Reconstruction with Viewpoint Orientation Partitioning and Scene Completion
School of Software, Tsinghua University(清华大学软件学院);Department of Computer Science, Wayne State University(韦恩州立大学计算机科学系)
针对多视图三维表面重建难题,提出基于视点方向的场景划分方法,确保相似方向视图共同参与以精确估计深度,并行计算更均衡,还提出检测修复点云缺失区域策略,提升大规模场景重建质量。
2026-07-07 cs.CV
FreeSim: Toward Free-viewpoint Camera Simulation in Driving Scenes
CASIA(中国科学院自动化研究所);MMLab, CUHK(香港中文大学多媒体实验室)
针对自动驾驶中自车轨迹外自由视点渲染缺乏训练数据的问题,提出FreeSim,通过生成增强模型与渐进式重建流程,实现超过3米偏差下的高质量偏离轨迹视图合成。
2024-12-04 cs.CV
Space-time Neural Irradiance Fields for Free-Viewpoint Video
Cornell Tech(康奈尔科技校区);Virginia Tech(弗吉尼亚理工大学);Facebook(脸书)
我们提出了一种方法,从一个单一的视频学习动态场景的时空神经辐射场。我们学习的表示使输入视频的自由视点渲染成为可能。我们的方法建立在隐式表示的最新进展。从单个视频中学习时空辐照场带来了重大挑战,因为视频在任何时间点都只包含对场景的一次观察。场景的3D几何形状可以以多种方式合理地表示,因为变化的几何形状(运动)可以用变化的外观来解释,反之亦然。我们解决这个模糊性,通过约束我们的动态场景表示的时变几何形状,使用从视频深度估计方法估计的场景深度,聚合从各个帧的内容到一个单一的全球表示。我们提供了一个广泛的定量评估,并展示令人信服的自由视点渲染结果。
2021-06-18 cs.CV
Efficient Neural Radiance Fields for Interactive Free-viewpoint Video
Zhejiang University(浙江大学)
本文旨在解决有效地产生交互式自由视点视频的挑战。最近的一些工作为神经辐射场配备了图像编码器,使它们能够跨场景进行概括。在处理动态场景时,它们可以简单地将每个视频帧视为一个单独的场景,并执行新颖的视图合成以生成自由视点视频。但是,它们的渲染过程很慢,并且不能支持交互式应用程序。一个主要的因素是他们在推导辐射场时在空的空间中采样大量的点。我们提出了一种新的场景表示,称为ENeRF,用于快速创建交互式自由视点视频。具体来说,给定一帧的多视图图像,我们首先建立级联成本体积来预测场景的粗略几何形状。粗糙的几何形状允许我们在场景表面附近采样几个点,从而显着提高渲染速度。这个过程是完全可区分的,使我们能够从RGB图像中联合学习深度预测和辐射场网络。多个基准上的实验表明,我们的方法具有竞争力的性能,同时至少比以前的可推广的辐射场方法快60倍。
2022-11-27 cs.CV
Pointly-supervised 3D Scene Parsing with Viewpoint Bottleneck
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院);McGill University(麦吉尔大学);Intel Labs China, Peking University(北京大学英特尔中国实验室)
3D点云的语义理解对于各种机器人应用非常重要。考虑到逐点语义注释的成本很高,在本文中,我们解决了使用极其稀疏的标签学习模型的挑战。核心问题是如何利用大量未标记的点。为此,我们提出了一个自监督的三维表示学习框架命名为视点瓶颈。它优化了一个基于互信息的目标,这是适用于点云在不同的观点。理论分析表明,视点瓶颈导致一个优雅的替代损失函数,适用于大规模的点云数据。与以往基于对比学习的方法相比,视点瓶颈作用于特征维而不是样本维。这种范式转变有几个优点:易于实现和调整,不需要负样本,并且在我们的目标下游任务中表现更好。我们在公共基准ScanNet上评估我们的方法,在点监督设置下。我们在可比的解决方案中取得了最好的定量结果。同时,我们还为各种具有挑战性的场景提供广泛的定性检查。它们表明,我们的模型可以产生相当好的场景解析结果的机器人应用程序。我们的代码、数据和模型将被公开。
2021-09-17 cs.CV
Unsupervised Learning of Compositional Scene Representations from Multiple Unspecified Viewpoints
Shanghai Key Laboratory of Intelligent Information Processing, School of Computer Science, Fudan University(复旦大学计算机科学技术学院上海市智能信息处理重点实验室)
视觉场景具有极其丰富的多样性,这不仅是因为存在着物体和背景的无限组合,而且还因为同一场景的观察结果可能会随着视点的变化而发生很大的变化。当从多个视点观察包含多个对象的视觉场景时,人类能够从每个视点以合成的方式感知场景,同时在不同的视点之间实现所谓的“对象恒定性”,即使确切的视点是未知的。这种能力对于人类在移动时识别同一物体并有效地从视觉中学习至关重要。设计具有类似能力的模型是有趣的。在本文中,我们考虑了一个新的问题,学习组成场景表示从多个未指定的观点,而不使用任何监督,并提出了一个深度生成模型,分离潜在的表示为一个视点无关的部分和视点相关的部分来解决这个问题。为了推断潜在表征,包含在不同视点中的信息由神经网络迭代地整合。在几个专门设计的合成数据集上的实验表明,该方法能够有效地从多个未指定的视点进行学习。
2021-12-12 cs.CV cs.LG
ViewNeRF: Unsupervised Viewpoint Estimation Using Category-Level Neural Radiance Fields
University of Edinburgh(爱丁堡大学)
我们介绍了ViewNeRF,这是一种基于神经辐射场的视点估计方法,可以在训练过程中直接从图像中学习预测类别级视点。虽然NeRF通常使用地面实况相机姿势进行训练,但已经提出了多种扩展来减少这种昂贵的监督需求。尽管如此,这些方法中的大多数仍然在具有大的相机移动的复杂设置中挣扎,并且限于单个场景,即它们不能在描绘相同对象类别的场景集合上训练。为了解决这些问题,我们的方法使用的分析合成方法,结合条件NeRF与视点预测器和场景编码器,以产生整个对象类别的自监督重建。我们的目标不是高保真重建,而是在复杂场景中进行高效准确的视点预测,例如在真实数据上进行360°旋转。我们的模型在合成数据集和真实数据集上显示了竞争结果,无论是单个场景还是多实例集合。
2022-12-01 cs.CV
Context-based Object Viewpoint Estimation: A 2D Relational Approach
KU Leuven(鲁汶大学);IMEC(比利时微电子研究中心)
自计算机视觉早期以来,物体视点估计的任务一直是一个挑战。为了估计对象的视点(或姿态),人们主要关注对象的内在特征,例如形状或外观。令人惊讶的是,由场景中的其他外在元素提供的信息特征,到目前为止大多被忽略了。与此同时,上下文线索已被证明是非常有益的相关任务,如目标检测或动作识别。在本文中,我们将探讨如何从场景中的其他对象的信息可以利用视点估计。特别是,我们看看对象配置以下的关系邻居为基础的方法推理对象关系。我们表明,从嘈杂的目标检测和视点估计,利用估计的视点和其他对象在场景中的位置,可以导致改进的对象视点预测。KITTI数据集上的实验表明,对象配置确实可以用作基于外观的视点估计的补充线索。我们的分析表明,所提出的基于上下文的方法可以通过减少特定类型的视点估计错误,通常只考虑局部信息的方法,提高对象的视点估计。此外,考虑上下文信息在出现大量对象实例的场景中产生优异的性能。最后,我们的研究结果表明,谨慎的关系邻居制定带来了改进,其积极的对应对象的视点估计任务。
2017-04-21 cs.CV
A Fast Free-viewpoint Video Synthesis Algorithm for Sports Scenes
KDDI Research, Inc.(KDDI综合研究所)
在本文中,我们报告了一个并行的自由视点视频合成算法,可以有效地重建一个高质量的3D场景表示的体育场景。所提出的方法侧重于一个场景,是由多个同步相机具有宽基线捕获。为了提高自由视点视频的视觉质量,本文提出了以下策略:(1)采用体积视觉壳方法重建稀疏点云,并采用高效的连通域标记算法为每个对象找到精确的三维感兴趣区域。其次,通过在感兴趣区域内实现可视化外壳,加速了稠密点云的重建:(2)通过估计网格单元与可视化外壳的精确交点,建立精确的多面体表面网格;(3)以视图相关的方式再现重构的呈现的外观,其分别呈现非-最近的摄像机及其相邻摄像机的遮挡和遮挡区域。排球和柔道序列的生产证明了我们的方法在执行时间和视觉质量方面的有效性。
2019-07-31 cs.CV
E3VS-Bench: A Benchmark for Viewpoint-Dependent Active Perception in 3D Gaussian Splatting Scenes
The University of Tokyo, Japan(东京大学);National Institute of Informatics, Japan(日本信息处理学会);The University of Osaka, Japan(大阪大学);Advanced Telecommunications Research Institute International, Japan(国际先进电信研究机构)
E3VS-Bench通过5自由度视角控制,评估在真实3D环境中视角依赖现象的主动感知能力,测试模型在多视角探索中的表现。
2026-06-29 cs.CV
CapFrame: Text-Instructed Viewpoint Grounding in 3D Gaussian Scenes via Geometric Pseudo Labels
Institute of Science Tokyo(东京科学大学);Denso IT Laboratory, Inc.(电装IT实验室);National Institute of Informatics(信息学研究所)
本文针对3D高斯场景中虚拟相机位姿需人工设置的问题,提出CapFrame框架,通过检索-转换-优化流程实现文本引导的视角定位,实验表明其对齐度优于基线方法。
2026-09-01 cs.CV
Dense Optical Flow based Change Detection Network Robust to Difference of Camera Viewpoints
Nagoya University(名古屋大学);National Institute of Advanced Industrial Science and Technology(国立先进工业科学技术研究所)
提出了一种基于稠密光流变化检测网络的场景变化检测方法。在输入图像的相机姿态是固定的或已知的情况下,诸如利用监视和卫星相机,可以知道在不同时间捕获的图像之间的像素对应性。因此,可以通过对场景的外观进行建模来比较准确地检测图像之间的场景变化。另一方面,在摄像机安装在移动物体上的情况下,例如地面和空中车辆,我们必须考虑在不同时间捕获的图像之间的空间对应关系。然而,由于场景变化或缺少图像,可能难以准确地估计场景的相机姿态或3D模型。为了解决这个问题,我们提出了一个变化检测卷积神经网络,利用输入图像之间的密集光流,以提高鲁棒性相机之间的观点的差异。我们的评估的基础上的全景变化检测数据集表明,所提出的方法优于国家的最先进的变化检测算法。
2017-12-08 cs.CV
GA-Drive: Geometry-Appearance Decoupled Modeling for Free-viewpoint Driving Scene Generation
MMLab, CUHK(CUHK的MMLab);CASIA;Shanghai Jiaotong University(上海交通大学);SenseTime Research(商汤科技研究院)
GA-Drive通过几何-外观解耦和扩散生成技术,生成可编辑的高保真驾驶场景,提升自动驾驶训练和评估的效率与效果。
2026-03-13 cs.CV
Epipolar-Guided Deep Object Matching for Scene Change Detection
The University of Tokyo(东京大学);National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所)
本文描述了一个视点鲁棒的基于对象的变化检测网络(OBJ-CDNet)。由于相机轨迹和快门定时的差异,行车记录仪等移动相机每次都从不同的视点捕获图像。然而,以前的方法,逐像素的变化检测是脆弱的视点差异,因为他们假设对齐的图像对作为输入。为了解决这个困难,我们引入了一个深度图匹配网络,它在图像对之间建立对象对应关系。介绍使我们能够检测对象明智的场景变化,而无需精确的图像对齐。为了更准确的对象匹配,我们提出了一个核线引导的深度图匹配网络(EGMNet),它将核线约束纳入OBJCDNet中使用的深度图匹配层。为了评估我们的网络对视点差异的鲁棒性,我们从图像对中创建了用于场景变化检测的合成和真实数据集。实验结果验证了该网络的有效性。
2020-07-30 cs.CV
MultiViPerFrOG: A Globally Optimized Multi-Viewpoint Perception Framework for Camera Motion and Tissue Deformation
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zurich(苏黎世联邦理工学院)
本文提出多视点全局优化框架 MultiViPerFrOG,通过融合低级感知模块输出与运动学及场景先验,联合估计多相机运动与绝对场景流,以鲁棒地解决可变形场景中的三维重建问题。
2024-08-08 cs.CV
Appearance Editing with Free-viewpoint Neural Rendering
IIIT-Hyderabad(印度信息技术研究所海得拉巴分校);DreamVu Inc.(DreamVu公司)
我们提出了一个神经渲染框架,同时视图合成和外观编辑的场景从多视角图像下捕获已知的环境照明。现有的方法要么单独实现视图合成,要么实现视图合成和重新照明,而不直接控制场景的外观。我们的方法明确地解开外观,并学习一个独立于它的照明表示。具体来说,我们独立地估计BRDF,并使用它来学习场景的照明表示。这样的解纠缠使我们的方法可以推广到任意的外观变化,同时执行视图合成。我们展示了编辑真实场景外观的结果,表明我们的方法产生了合理的外观编辑。我们的视图合成方法的性能被证明是在与国家的最先进的方法在真实和合成数据。
2021-10-14 cs.CV
Change Detection under Global Viewpoint Uncertainty
University of Fukui(福井大学)
本文从长期地图学习的新角度解决了变化检测问题。我们特别感兴趣的是设计一种可以扩展到大型地图的方法,并且可以在视点的全局不确定性下运行(即,GPS拒绝的情况)。我们的方法,它利用了一个紧凑的词袋(BoW)场景模型,作出了几个贡献的问题:1)两种先验信息提取的视图序列图,并用于变化检测。此外,我们提出了一种新类型的先验,称为运动先验,预测相对运动的静止物体和异常自我运动检测。所提出的先验也是有用的,用于区分静止和非静止对象。2)一小组良好的参考图像(例如,10)通过采用最近开发的Bag-of-Local-Convolutional-Features(BoLCF)场景模型,从视图序列图中有效地检索。3)变化检测被重新制定为场景检索这些参考图像,以找到变化的对象,使用一种新的空间袋字(SBoW)场景模型。在公开的马拉加数据集高度动态场景的一个具有挑战性的数据集上进行的个别技术及其组合的评估验证了它们的有效性。
2017-03-01 cs.CV
Neural Rendering in a Room: Amodal 3D Understanding and Free-Viewpoint Rendering for the Closed Scene Composed of Pre-Captured Objects
Zhejiang University(浙江大学);Google(谷歌)
作为人类,我们可以从给定的单个图像的任意视角理解和描绘熟悉的场景,而这对计算机来说仍然是一个巨大的挑战。因此,我们提出了一种新的解决方案,模仿这样的人类感知能力的基础上的一个新的范例的非模态三维场景理解与神经渲染的封闭场景。具体来说,我们首先通过离线阶段学习封闭场景中对象的先验知识,这有助于在线阶段理解具有不可见家具布置的房间。在在线阶段,给定不同布局的场景全景图像,我们利用基于整体神经渲染的优化框架来有效地估计正确的3D场景布局并提供逼真的自由视点渲染。为了处理离线和在线阶段之间的域间隙,我们的方法利用组合神经渲染技术在离线训练中进行数据增强。合成和真实数据集上的实验表明,我们的两个阶段的设计实现了强大的3D场景理解,并优于竞争方法的大幅度提高,我们也表明,我们的现实自由视点渲染,使各种应用,包括场景游览和编辑。代码和数据可在项目网页上获得:https://zju3dv.github.io/nr_in_a_room/。
2022-05-05 cs.CV cs.GR
CVT-Bench: Probing Spatial-State Integrity through Counterfactual Viewpoint Transformations
CSSE Department, Auburn University(计算机科学与工程系,阿伯杜大学)
CVT-Bench通过控制诊断基准评估多模态大语言模型在反事实视角变换下的关系一致性,发现尽管单视角准确率高,但系统在反事实视角变换下存在系统性退化,揭示了表征结构对反事实空间推理的重要性。
2026-08-17 cs.CV
Unsupervised Object-Centric Learning from Multiple Unspecified Viewpoints
Fudan University(复旦大学)
本文提出一种深度生成模型,通过将潜在表示分为视角无关和视角相关部分,在无监督下从多个未指定视角学习组合场景表示,实验验证了其有效性。
2024-01-03 cs.CV cs.LG
Learning Where to Look: Data-Driven Viewpoint Set Selection for 3D Scenes
Princeton University(普林斯顿大学)
渲染图像的使用,无论是从完全合成的数据集还是从3D重建,在视觉任务中越来越普遍。然而,很少有人注意到视点的选择如何影响渲染训练集的性能。在本文中,我们提出了一个数据驱动的方法来选择视图集。给定一组示例图像,我们提取描述其内容的统计信息,并生成一组与这些统计信息的分布相匹配的视图。受语义分割任务的启发,我们对图像视图体积内的每个语义对象类别的空间分布进行建模。我们提供了一个搜索算法,根据示例分布生成可能的候选视图的采样,以及一个集合选择算法,该算法选择共同覆盖示例分布的候选者的子集。这些算法在SUNC上的实验结果表明,它们确实能够根据推土机的距离产生类似于NYUDv2中的示例集的视图分布。此外,所选择的视图提高性能相比,替代视图选择算法的语义分割。
2017-04-07 cs.CV
Discriminative Map Retrieval Using View-Dependent Map Descriptor
University of Fukui(福井大学)
地图检索是移动机器人在室内和室外环境中进行自主导航的关键。词袋(Bag-of-Words,BoW)方法是地图检索的一种常用方法,但由于忽略了局部特征的空间布局信息,其描述能力非常有限。本文的主要贡献是一个扩展的词袋地图检索方法,使使用的空间信息从本地功能。我们的策略是显式地建模一个独特的观点输入本地地图的本地功能的姿态定义相对于这个独特的观点,并可以被视为一个额外的不变特征的歧视性地图检索。具体来说,我们希望确定一个独特的观点,是不变的移动对象,混乱,闭塞,和实际的观点。因此,我们执行场景解析来分析场景结构,并认为场景结构的“中心”是唯一的视点。我们的场景解析是基于曼哈顿世界语法,施加一个准曼哈顿世界约束,使强大的检测的场景结构是不变的混乱和移动对象。使用公开的萝卜数据集的实验结果验证了所提出的方法的有效性。
2015-09-25 cs.CV
Best Viewpoint Tracking for Camera Mounted on Robotic Arm with Dynamic Obstacles
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Dept. Computer Technology, University of Alicante(阿利坎特大学计算机技术系)
在过去的十年中,在计算机视觉中已经探索了为3D建模或场景映射寻找下一个最佳视点的问题。本文解决了一个类似的问题,但具有不同的特点。它提出了一种方法,动态下一个最佳视点恢复的目标点,同时避免可能的遮挡。由于环境可能会改变,因此该方法必须迭代地找到下一个最佳视图,并对空闲和占用部分进行全局理解。我们建模的问题作为一组可能的观点,对应于一个虚拟的镶嵌的半球覆盖场景的各方面的中心。考虑到遮挡、当前和未来视点之间的距离、视点的质量和关节约束(机器人臂关节距离或限制),我们评估下一个最佳视点。该建议已被评估8个不同的情况下,不同的闭塞和短的3D视频序列,以验证其动态性能。
2017-10-17 cs.CV
Transfer Your Perspective: Controllable 3D Generation from Any Viewpoint in a Driving Scene
The Ohio State University(俄亥俄州立大学);Cornell University(康奈尔大学)
针对协作式自动驾驶数据收集困难的问题,提出基于条件扩散模型的方法TYP,利用模拟协作数据与真实自车数据,从任意视点生成逼真且语义布局一致的感知结果,支持在极少真实协作数据下预训练协作感知算法。
2025-04-01 cs.CV
Leveraging Geometric Priors for Unaligned Scene Change Detection
Southern University of Science and Technology(南方科技大学);University of Sheffield(谢菲尔德大学);Spatialtemporal AI(时空AI)
首次引入几何先验解决未对齐场景变化检测中的视角变化问题,提出免训练框架结合视觉基础模型实现可靠变化检测,在多个数据集上表现优越。
2025-09-16 cs.CV
VIBUS: Data-efficient 3D Scene Parsing with VIewpoint Bottleneck and Uncertainty-Spectrum Modeling
Tsinghua University(清华大学);McGill University(麦吉尔大学);Intel(英特尔);Peking University(北京大学)
近年来,利用深度学习方法进行3D场景解析已经成为一个热门话题。然而,目前的方法与完全监督模型需要手动注释逐点监督,这是非常用户不友好和耗时的获得。因此,使用稀疏监督训练3D场景解析模型是一种有趣的替代方案。我们把这个任务作为数据高效的3D场景解析,并提出了一个有效的两阶段框架VIBUS解决它利用巨大的未标记点。在第一阶段中,我们使用所提出的视点瓶颈损失函数对未标记的点进行自监督表示学习。损失函数是从一个信息瓶颈目标施加在不同的观点下的场景,使表示学习的过程中没有退化和采样。在第二阶段,伪标签收获的稀疏标签的基础上不确定性谱建模。通过结合数据驱动的不确定性度量和三维网格谱度量(来自法线方向和测地线距离),得到一个鲁棒的局部亲和度量。有限的伽玛/贝塔混合模型被用来分解这些措施的类别分布,导致自动选择阈值。我们在公共基准测试ScanNet上评估了VIBUS,并在验证集和在线测试服务器上获得了最先进的结果。消融研究表明,视点瓶颈和不确定性谱建模带来了显着的改善。代码和模型可在https://github.com/AIR-DISCOVER/VIBUS上公开获取。
2022-10-20 cs.AI cs.CV
3DGStream: On-the-Fly Training of 3D Gaussians for Efficient Streaming of Photo-Realistic Free-Viewpoint Videos
Zhejiang University(浙江大学)
3DGStream利用3D高斯与神经变换缓存实现动态场景的快速逐帧重建和实时自由视点视频流式传输,在训练时间、渲染速度、图像质量和存储方面均具竞争力。
2024-06-11 cs.CV
MuDG: Taming Multi-modal Diffusion with Gaussian Splatting for Urban Scene Reconstruction
THU(清华大学);MEGVII(旷视科技);Mach Drive(马赫驱动);SJTU(上海交通大学);HKU(香港大学)
本文提出 MuDG 框架,将多模态视频扩散模型与 3DGS 结合,利用 LiDAR、RGB 及几何先验生成多模态新视角并优化场景表示,在 Open Waymo 上提升极端视角下的重建与合成质量。
2025-03-13 cs.CV
Viewpoint Textual Inversion: Discovering Scene Representations and 3D View Control in 2D Diffusion Models
Stanford University(斯坦福大学);Snap Inc.(Snap公司)
提出 ViewNeTI 方法通过训练神经映射器生成三维视角 token,发现二维扩散模型文本空间中存在连续和广义的视角控制流形,证实其内含三维场景表示,并在新视角合成等任务上达到 SOTA。
2024-07-26 cs.AI cs.CV cs.LG
Free-viewpoint Indoor Neural Relighting from Multi-view Stereo
Inria(法国国家信息与自动化研究所);Université Côte d’Azur(蔚蓝海岸大学);Adobe Research(Adobe研究院)
我们引入了一个神经重新照明算法捕获的室内场景,允许交互式自由视点导航。我们的方法允许照明被综合地改变,同时连贯地渲染投射阴影和复杂的光泽材料。我们从场景的多个图像和通过多视图立体视觉(MVS)重建获得的3D网格开始。我们假设,照明是很好的解释为一个独立于视图的漫反射分量和一个视图相关的光泽项集中在镜子反射方向的总和。我们围绕输入特征图设计了一个卷积网络,便于学习场景材质和照明的隐式表示,从而实现重新照明和自由视点导航。我们通过利用基于图像和基于物理的渲染的最佳元素来生成这些输入地图。我们对输入视图进行采样以估计漫射场景的辐照度,并使用路径追踪计算由用户指定的光源引起的新照明。为了促进网络对材料的理解并合成合理的光泽反射,我们重新投影视图并计算镜像。我们在合成数据集上训练网络,其中每个场景也用MVS重建。我们展示了我们的算法重新照亮真实的室内场景,并执行自由视点导航与复杂和现实的光泽反射,迄今为止仍然遥不可及的视图合成技术的结果。
2021-06-24 cs.CV cs.GR
Syllables to Scenes: Literary-Guided Free-Viewpoint 3D Scene Synthesis from Japanese Haiku
School of Information Engineering, Huzhou University(湖州大学信息工程学院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);College of Software Engineering, Zhejiang University(浙江大学软件工程学院);Center for Data Science, Zhejiang University(浙江大学数据科学中心);KOKONI 3D, Moxin (Huzhou) Technology Co., LTD.(墨芯(湖州)科技有限公司KOKONI 3D);Singapore University of Technology and Design(新加坡科技设计大学);School of Humanities, Wenzhou University(温州大学人文学院)
本文提出 HaikuVerse 框架,利用 H-LCTGP 解析俳句意象与情感,并通过 PDS 多阶段生成自由视点 3D 场景,显著提升文学保真度与视觉质量。
2025-02-17 cs.CV
Explore and Tell: Embodied Visual Captioning in 3D Environments
Renmin University of China(中国人民大学);INRIA(法国国家信息与自动化研究所)
针对单张图像视角不佳阻碍细粒度场景理解的问题,提出具身视觉描述任务与级联具身描述模型CaBOT,构建ET-Cap数据集支撑研究,实验证明模型表现优于基线。
2023-08-21 cs.CV
Aesthetic Camera Viewpoint Suggestion with 3D Aesthetic Field
University of Waterloo(多伦多大学);City University of Hong Kong(香港城市大学)
本文提出基于3D审美场的视角建议方法,通过3D高斯散点网络将2D审美模型的知识蒸馏到3D空间,实现高效且无需密集捕获或RL探索的美观视角搜索。
2026-02-23 cs.CV
Semantically-aware Neural Radiance Fields for Visual Scene Understanding: A Comprehensive Review
Huawei Paris Research Center(华为巴黎研究中心);Centrale Lille(里尔中央理工学院);University of Lille(里尔大学);The University of Western Australia(西澳大学)
本综述分析了超250篇论文,全面探讨了语义感知神经辐射场在视觉场景理解中的作用,及其在3D表示推断、视点生成、场景补全分割和物体识别等任务中的多样化应用与发展。
2024-02-17 cs.CV
GuideGround: VLM-guided Semantic Understanding and Viewpoint-aware Reasoning for 3D Visual Grounding
GuideGround是一种VLM引导的3D视觉定位框架,用VLM生成的语义描述替代闭集分类、逐视图保留假设并经VLM验证,在ReferIt3D基准上性能优于现有SOTA。
2026-08-04 cs.CV
Fusing in 3D: Free-Viewpoint Fusion Rendering with a 3D Infrared-Visible Scene Representation
School of Computer Science(计算机科学学院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学深圳研究院)
本文提出一种基于三维红外-可见场景表示的融合框架,通过跨模态调整模块和融合损失确保融合图像保留关键特征,有效解决传统方法在复杂场景下的信息丢失问题。
2026-01-19 cs.CG cs.CV
Multi-View Pose-Agnostic Change Localization with Zero Labels
Queensland University of Technology(昆士兰科技大学);University of Sydney(悉尼大学);Abyss Solutions(深渊解决方案公司)
针对自主智能体在不一致视角下的环境变化检测定位需求,提出无标签姿态无关的多视角变化检测方法,构建变化感知3DGS表示,仅需5张图即可生成更优变化掩码,在复杂场景性能达SOTA,还发布了含光照变化的真实世界基准数据集。
2025-03-20 cs.CV
Learning to Measure Change: Fully Convolutional Siamese Metric Networks for Scene Change Detection
South China University of Technology(华南理工大学);Central South University(中南大学);Peking University(北京大学);Southwest Jiaotong University(西南交通大学)
场景变化检测的一个关键挑战性问题是由光照、阴影和摄像机视点变化产生的噪声变化使得场景变化难以定义和测量,因为噪声变化和语义变化纠缠在一起。遵循通过直接比较一对特征之间的差异来检测变化的直观想法,我们提出了一种新的全卷积连体度量网络(CosimNet),通过自定义隐式度量来测量变化。为了学习更多的判别指标,我们利用对比度损失来减少未改变的特征对之间的距离,并扩大变化的特征对之间的距离。具体来说,为了解决大的观点差异的问题,我们提出了一个更宽容的策略,以惩罚嘈杂的变化,抑制对比损失(TCL)。我们通过在三个具有挑战性的数据集上的实验证明了所提出的方法的有效性:CDnet,PCD 2015和VL-CMU-CD。我们的方法是强大的许多具有挑战性的条件下,如光照变化,大的视点差异所造成的相机运动和缩放。此外,我们将距离度量的分割框架,并通过可视化的变化图和特征分布验证的有效性。源代码可在https://github.com/gmayday1997/ChangeDet上获得。
2018-11-12 cs.CV
Multi-Plane Neural Radiance Fields for Novel View Synthesis
University of Waterloo(滑铁卢大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
新颖的视图合成是一个长期存在的问题,围绕渲染帧的场景从新颖的相机视点。体积方法提供了一个解决方案,通过明确的三维表示的相机截头体建模闭塞。多平面图像(MPI)是使用不同深度处的前平行平面来表示场景的体积方法,但是遭受导致2D场景表示的深度离散化。另一种方法依赖于隐式3D场景表示。神经辐射场(NeRF)利用神经网络将连续的3D场景结构封装在网络权重内,从而实现真实感合成结果,然而,方法被约束到每个场景的优化设置,这在实践中是低效的。多平面神经辐射场(MINE)为隐式和显式场景表示的组合打开了大门。它支持连续的3D场景表示,特别是在深度维度上,同时利用输入图像特征来避免逐场景优化。目前在这一领域的文献工作的主要缺点是被限制到单视图输入,限制合成能力,以狭窄的视角范围。在这项工作中,我们彻底检查了单视图多平面神经辐射场的性能、概括性和效率。此外,我们提出了一个新的多平面NeRF架构,接受多个视图,以改善合成结果,扩大观看范围。通过提出的注意力感知融合模块,有效地融合了来自输入源帧的特征,以突出来自不同视点的重要信息。实验表明,基于注意力的融合的有效性和我们提出的方法相比,多视图NeRF和MPI技术的有前途的成果。
2023-03-03 cs.CV
Personalize Your Gaussian: Consistent 3D Scene Personalization from a Single Image
Nanyang Technological University(南洋理工大学);Hong Kong University of Science and Technology(香港科学与技术大学)
本文提出CP-GS框架,通过逐步传播单视角参考外观到新视角,有效缓解视角偏差,实现高质量3D场景个性化。
2025-12-24 cs.CV
LIBERO-Occ: Evaluating and Improving Vision-Language-Action Models under Scene-Induced Occlusion via Viewpoint Imagination
Fudan University(复旦大学);Shanghai Innovation Institute(上海创新研究院);Chinese University of Hong Kong(香港中文大学)
针对VLA模型在场景遮挡下性能下降的问题,提出LIBERO-Occ基准和视角想象方法,通过生成互补视图提升鲁棒性。
2026-06-16 cs.AI cs.CV
HOSNeRF: Dynamic Human-Object-Scene Neural Radiance Fields from a Single Video
National University of Singapore(新加坡国立大学);Tencent PCG(腾讯平台与内容事业群)
提出 HOSNeRF,从单目野外视频重建动态人-物-场景神经辐射场,借助物体骨骼和状态嵌入实现任意帧与视点渲染,并在 LPIPS 上大幅超越现有方法。
2023-04-24 cs.CV
OceanSplat: Object-aware Gaussian Splatting with Trinocular View Consistency for Underwater Scene Reconstruction
OceanSplat通过三目视图一致性与深度感知调整,实现高保真水下场景重建与恢复。
2026-01-19 cs.CV
VDGS: Visibility-Driven Large-Scale 3D Gaussian Splatting for Aerial Scene Reconstruction
Beijing Institute of Technology(北京理工大学);Guangzhou Saite Intelligent Technology Co., Ltd.(广州赛特智能科技有限公司)
提出VDGS框架,通过可见性驱动统计量量化监督强度,用于场景划分和梯度补偿,解决大规模航空场景重建中内存消耗大和视点覆盖不均的问题,在多种数据集上优于现有方法。
2026-09-22 cs.CV
ExploreGS: Explorable 3D Scene Reconstruction with Virtual Camera Samplings and Diffusion Priors
Yonsei University(延世大学)
针对3DGS在偏离训练视角渲染时出现伪影和缺失区域的问题,提出ExploreGS流程。该方法通过信息增益驱动的虚拟相机放置策略生成新视图,并利用视频扩散先验细化渲染,微调3D高斯以提升重建质量。同时提出Wild-Explore基准,实现任意视角高质量无伪影渲染。
2025-08-08 cs.CV
Setting the Stage: Text-Driven Scene-Consistent Image Generation
Global Business Unit, Baidu Inc.(百度公司全球业务部)
本文研究了场景构建任务,通过结合参考场景图像和文本条件生成符合空间关系的演员图像,提出了一种新的数据构建管道和对应关系引导的注意力损失,以提高场景一致性和文本-图像一致性。
2026-05-18 cs.CV
Robust Scene Change Detection Using Visual Foundation Models and Cross-Attention Mechanisms
Australian Institute for Machine Learning (AIML)(澳大利亚机器学习研究所);University of Adelaide(阿德莱德大学)
提出基于DINOv2和全图交叉注意力的场景变化检测方法,通过冻结主干保留特征通用性并处理视角变化,在VL-CMU-CD和PSCD基准上显著提升F1分数,展现卓越泛化能力。
2025-03-04 cs.CV
Editable Free-viewpoint Video Using a Layered Neural Representation
ShanghaiTech University(上海科技大学);Stereye Intelligent Technology Co.,Ltd.(眸视智能科技有限公司);DGene Digital Technology Co., Ltd.(叠境数字科技有限公司)
生成自由视点视频对于沉浸式VR/AR体验至关重要,但最近的神经进展仍然缺乏编辑能力来操纵大型动态场景的视觉感知。为了填补这一空白,在本文中,我们提出了第一种方法,可编辑的照片真实感的自由视点视频生成的大规模动态场景,只使用稀疏的16个摄像机。我们方法的核心是一种新的分层神经表示,其中包括环境本身在内的每个动态实体都被公式化为称为ST-NeRF的时空相干神经分层辐射表示。这种分层表示支持动态场景的完全感知和逼真操纵,同时仍然支持宽范围内的自由观看体验。在我们的ST-NeRF中,动态实体/层表示为连续函数,以连续和自监督的方式实现动态实体的位置,变形以及外观的解纠缠。我们提出了一个场景解析4D标签地图跟踪明确解开空间信息,和一个连续变形模块解开时间运动隐式。一个对象感知的体渲染计划进一步介绍了所有的神经层的重新组装。我们采用了一种新颖的分层损失和运动感知光线采样策略,以实现对具有多个表演者的大型动态场景的有效训练,我们的框架进一步实现了各种编辑功能,即,操纵比例和位置,复制或重新定时单个神经层,以创建许多视觉效果,同时保持高度的真实感。大量的实验证明了我们的方法的有效性,以实现高品质,照片般逼真,可编辑的自由视点视频生成的动态场景。
2021-04-30 cs.CV cs.GR
Hierarchical Dual-Change Collaborative Learning for UAV Scene Change Captioning
Fuzhou University(福州大学);Shandong University(山东大学);Foshan Graduate School of Innovation, Northeastern University(佛山创新研究生学院,东北大学)
本文提出无人机场景变化描述任务,旨在生成动态空中影像语义变化的自然语言描述。通过层次化双变化协作学习方法,结合动态自适应布局变换器和层次化跨模态方向一致性校准,提升对视角变化的敏感度,实现在移动视角下的场景变化描述。
2026-03-13 cs.AI cs.CV
UrbanIR: Large-Scale Urban Scene Inverse Rendering from a Single Video
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Maryland, College Park(马里兰大学学院公园分校)
针对大基线单视频城市场景逆渲染中几何与材质估计差的问题,提出UrbanIR模型,通过新型损失函数提升推断精度,支持可控编辑与真实感渲染,性能显著优于现有方法。
2025-01-14 cs.CV
S$^3$-NeRF: Neural Reflectance Field from Shading and Shadow under a Single Viewpoint
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)
在本文中,我们解决了“双重问题”的多视图场景重建,我们利用不同的点光源下捕获的单视图图像学习神经场景表示。不同于现有的只能恢复2.5D场景表示的单视图方法(即,可见表面的法线/深度图),我们的方法学习神经反射场来表示场景的3D几何形状和BRDF。而不是依赖于多视图的照片一致性,我们的方法利用两个信息丰富的单目线索,即阴影和阴影,推断场景几何。在多个具有挑战性的数据集上的实验表明,我们的方法能够从单视图图像中恢复场景的3D几何形状,包括可见和不可见部分。由于神经反射场表示,我们的方法是强大的深度不连续性。它支持新视图合成和重新照明等应用程序。我们的代码和模型可以在https://ywq.github.io/s3nerf上找到。
2022-10-17 cs.AI cs.CV
SkyLink: Unifying Street-Satellite Geo-Localization via UAV-Mediated 3D Scene Alignment
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University(多媒体可信感知与高效计算重点实验室,教育部,厦门大学);School of Electronic and Information Engineering, Foshan University(电子与信息工程学院,佛山大学)
本文提出SkyLink,以无人机构建的3D场景为桥梁,结合检索增强、局部特征聚合及自监督跨视角对比学习,提升街景-卫星地理定位的鲁棒性。
2025-09-29 cs.CV cs.MM
GANmouflage: 3D Object Nondetection with Texture Fields
University of Michigan(密歇根大学);UC Berkeley(加州大学伯克利分校)
本文提出GANmouflage,结合纹理场与对抗学习,为不同3D形状生成可在多视点场景中规避检测的伪装纹理,并经人类视觉搜索实验验证其显著优于既有方法。
2023-04-23 cs.CV
3D-OES: Viewpoint-Invariant Object-Factorized Environment Simulators
Carnegie Mellon University(卡内基梅隆大学)
我们提出了一个动作条件动力学模型,预测场景变化所造成的对象和代理的相互作用,在一个视点不变的3D神经场景表示空间,从RGB-D视频推断。在这个3D特征空间中,对象不会相互干扰,并且它们的外观会随着时间的推移和视点的变化而保持不变。这使得我们的模型可以通过简单地基于累积对象运动预测“移动”3D对象特征来预测未来很长一段时间的场景。对象运动预测由图神经网络计算,该图神经网络对从3D神经场景表示中提取的对象特征进行操作。我们的模型的模拟可以由神经渲染器从任何期望的视角解码成2D图像视图,这有助于我们潜在的3D模拟空间的可解释性。我们表明,我们的模型在不同数量和外观的交互对象以及相机的观点,以及概括其预测优于现有的2D和3D动态模型。我们进一步展示了仿真到现实迁移的学习动力学,通过应用我们的模型训练,仅在模拟基于模型的控制下,推动物体到所需的位置下,在一个真正的机器人设置混乱
2020-11-12 cs.AI cs.CV cs.LG