萌新提问：推荐入坑NeRF吗?

最新推荐文章于 2024-10-27 10:23:48 发布
转载 最新推荐文章于 2024-10-27 10:23:48 发布 · 124 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247615282&idx=4&sn=e5112aea0b7ba600e22341823f380445&chksm=cfa03672413ca6bd2c5fc48837e5f4c3e3ad9fe4dafd01c2c2324a90e6670b79c588c6217f3a&scene=126&sessionid=0

作者 | 拉斐尔没有叉  编辑 | 3D视觉之心

原文链接：https://www.zhihu.com/question/633869682

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心『三维重建』技术交流群

本文只做学术分享，如有侵权，联系删文

04be778750bc654e593bd2713ce5b757.jpeg

薛大哥

nerf和3d gaussian是典型去构建radiance field的两个方法，前者用的implicit方法，用了nn，后者是explicit的，前者用volume rendering的result和GT做loss，后者用differentiable rasterization方式render point cloud，和GT做loss，目的都是构建radiance field，3d gaussian只是作者用来表示radiance field空间的一个模型，并不是一个什么派系，你也可以尝试别的explicit模型，多读几篇论文再下决定更好

CPAPCF

nerf和gs到今天都是：重资源轻idea重效果轻方法重手速轻novel重储备轻发展重应用轻教学的套路。

不建议新人独自开荒，尤其你导师和身边人都不懂这些。除非你能找到一个刁钻角度回避掉上述困境和坑出其不意杀出重围。（OGL和实时渲染还有光照模型那些跟nerf和gs都卵关系没有的哈，gs的问题甚至更集中在优化理论和数值优化上）

微小的鱼

你是什么方向什么专业？如果不是导师不是发paper就不建议

solomon-ma

个人观点，仅供参考

首先，你先确定下研究组的课题。

不管是NeRF还是3DGS，或者其他的什么diffusion，transformer之类的，终归只是解题方法。

你首先得确定题目是啥，然后再考虑怎么解

如果一味的与课题组的方向背离，轻则得不到指导，重则缺少各种实验设备，到最后痛苦的是自己！

一得

你要结合自己的目的规划去选择，之后是读博还是工作？想找什么方向？研一刚开始可以不清楚，但最好尽快想明白，早准备。

如果毕业没有论文要求的话，可根据自己兴趣选择，提前了解就业形势和就业需求；如果想发论文的话我建议还是跟上实验室的脚步，单打独斗很难自己发paper，nerf这一块发paper非常火热，自己干都看不完最新paper的。

nerf和3dgs也不是互斥的，你应该先想清楚是选导师方向还是nerf这块

黑燕

只读两篇文章就决定入坑我个人感觉不是很make sense。如果和导师方向不同还是征询一下老师的意见吧，为什么在选导师的时候不考虑呢？

神经表示这个方向代码量相比传统图形学少不少，传统图形学论文大部分都是上万行C++，搞深度学习结合基本上就全是Python了。但既然是图形学和AI交叉，C++还是得会。

如果真的很想对此研究，我觉得反正现在神经网络这么火，可以先看机器学习和深度学习（机器学习理解原理就行，现在论文里大家用的都不多）。如果你学完兴趣还是很大可以再深入阅读复现论文，比如NGP-NeRF，mip-NeRF，Plenoxels等等，看看有没有想法，图形学结合AI也不止以NeRF为主的神经表示这一个领域，你也可以从transformer，diffusion，GNN等模型中获得很多灵感。从图形学角度看神经网络和纯人工智能看这玩意区别是很大的，要好好利用这个优势。

当然，还是建议和导师沟通一下，没人教的情况下很考验自己的主观能动性和找人提问的能力，知乎上就有很多在此领域深耕的大佬，不然一晃就浪费小半年时间了。

带上吉他去大理

不推荐

2300yy

没人带你别入

山石

感兴趣就去做吧，现在论文已经火的不行了

投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！

① 全网独家视频课程

BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

8b94363a12cd58a2a14a2e355e66b0d1.png

网页端官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

国内最大最专业，近3000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频

8cb1b6593fcfe88ee0e02431608c5bb8.png

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向，目前近60+技术交流群，欢迎加入！扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）

79442e0455d37a9745396490f77fd709.jpeg

④【自动驾驶之心】全平台矩阵

1e848dccf4d6f94288eca84c7fe2b9ed.png

51-47 CVPR 2024 | DynVideo-E：利用动态NeRF对大规模运动和视角变化的视频编辑
AIgraphX
04-29 1209
DynVideo-E框架首次引入动态NeRF作为视频表示，通过人体姿态引导将视频信息聚合到3D背景空间和3D动态人体空间中，进而能对大规模运动、视图变化和以人为中心的视频进行编辑。
NeRF笔记
weixin_42644429的博客
12-20 3815
NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis 神经辐射场（Neural Radiance Fields）nerf NeRF:表示场景为神经辐射场的视图合成 2020 ECCV Best paper candidate 最佳论文候选人 博客参考： https://zhuanlan.zhihu.com/p/377615690 https://zhuanlan.zhihu.com/p/360365941（体渲染） ht
五问Nerf | 简单易懂的神经辐射场入门介绍
CV_Autobot的博客
01-13 2884
作者|lcltopismine3 编辑|汽车人原文链接：zhuanlan.zhihu.com/p/597579341点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群最近零散时间，翻了一批讲Nerf原理的优快云/知乎/B站文章和视频，有些讲的还是不错的，但是有些实在是让人感觉，作者本身就没搞懂啥是神经辐射场。所以本文使用自问自答...
初识神经辐射场NeRF
weixin_42620109的博客
01-31 1391
NeRF的研究目的是合成同一场景不同视角下的图像。方法很简单，根据给定一个场景的若干张图片，重构出这个场景的3D表示，然后推理的时候输入不同视角就可以合成（渲染）这个视角下的图像了。
都2023年了，我不允许你还不懂NeRF
3D视觉工坊
01-25 1091
作者丨mathfinder@知乎来源丨https://zhuanlan.zhihu.com/p/569843149编辑丨3D视觉工坊点击进入—>3D视觉工坊学习交流群NeRF，即Neural Radiance Fields（神经辐射场）的缩写。研究员来自UCB、Google和UCSD。Title：NeRF: Representing Scenes as Neural Radiance Fie...
【成长day】NeRF学习记录1：预备知识&nerf论文算法学习
qq_42692305的博客
10-27 1170
NERF学习记录1：预备知识&nerf论文算法学习
文物数字复原：TensorFlow-NeRF重建破损文物的高精度三维模型.pdf
01-01
该文档【文物数字复原：TensorFlow_NeRF重建破损文物的高精度三维模型】共计 25 页，文档支持目录章节跳转同时还支持阅读器左侧大纲显示和章节快速定位，文档内容完整、条理清晰。文档内所有文字、图表、目录等元素...
Aleth-NeRF: Illumination Adaptive NeRF with Concealing Field Assumption
weixin_53765004的博客
05-28 1161
Aleth-NeRF: 带有隐蔽场假设的照明自适应 NeRF 照明照明标准的神经辐射场(NeRF)范例采用了一种以观察者为中心的方法，将光照和材料反射的各个方面仅仅从3D 点发射纠缠在一起。这种简化的渲染方法在准确建模在不利光照条件下捕获的图像方面提出了挑战，如弱光或过度曝光。受到古希腊发射理论的启发，我们假设视知觉是由眼睛发出的光线造成的，我们稍微改进了传统的 NeRF 框架，以便在具有挑战性的光照条件下训练 NeRF，并在无监督的情况下生成正常光照条件下的新视图。
3D场景生成引擎：TensorFlow-NeRF技术优化与商业化落地.pdf
12-29
内容概要：本文深入探讨了如何在3D场景生成引擎中运用TensorFlow对NeRF（神经辐射场）技术进行优化，并探索其商业化落地的途径。首先介绍了3D场景生成的重要性，以及TensorFlow与NeRF技术的背景和发展历程。接着详细...
IoT-Nerf-Turret:学校物联网nerf炮塔项目
04-06
我们决定制造一个可以远程控制的Nerf炮塔。 技术领域 使用以下项目创建了项目： CMake的 制作 C ++ 14 接线盒 设置 可以使用以下说明来构建项目： POSIX $ git clone ...
从点云到NeRF，多伦多大学CSC 2547课程全面讲解3D计算机视觉
3D视觉工坊
08-14 620
转载自：机器之心、一点人工一点智能随着神经渲染等方法的成熟，3D 计算机视觉领域也有了诸多进展。对于从事机器人、生物识别等方向的研究人员和从业者来说，掌握几何深度学习知识和 3D 计算机视觉的相关算法是非常必要的。CSC 2547 是多伦多大学的一门课程，主要介绍了几何深度学习方法和 3D 视觉的最新进展。近期 2021 年冬季的 CSC 2547 课程已全部上线，课程视...
大盘点！NeRF系列工作全面回顾
CV_Autobot的博客
03-17 4849
作者|氵景页 编辑| 极市平台原文链接：https://zhuanlan.zhihu.com/p/614008188点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群导读本文为作者对NeRF方向的几篇关键工作的总结，主要关注在细节、速率以及几何方向。前言在 NeRF 这个领域也算做了有一段时间了，这段时间在知乎上很难看到有比较有...
基于神经辐射场NeRF的SLAM方法
人无远虑，必有近忧
04-09 1941
随着2020年NeRF[1]的横空出世，神经辐射场方法（Neural Radiance Fields）如雨后春笋般铺天盖地卷来。NeRF最初用来进行图像渲染，即给定相机视角，渲染出该视角下的图像。NeRF是建立在已有相机位姿的情况下，但在大多数的机器人应用中，相机的位姿是未知的。所以随后，越来越多的工作应用NeRF的技术同时估计相机位姿和对环境建模，即NeRF-based SLAM （Simultaneously localization and mapping）。将深度学习与传统几何融合是SLAM发展的趋
NeRF 从入门到精通
热门推荐
迷若烟雨的专栏
03-30 8万+
NeRF是当前最为火热的研究领域之一，效果非常惊艳，它要解决的问题就是给定一些拍摄的图，如何生成新的视角下的图. 不同于传统的三维重建方法把场景表示为点云、网格、体素等显式的表达，它独辟蹊径，将场景建模成一个连续的5D辐射场隐式存储在神经网络中，只需输入稀疏的多角度带pose的图像训练得到一个神经辐射场模型，根据这个模型可以渲染出任意视角下的清晰的照片。因此通俗来讲就是构造一个隐式的渲染流程，其输入是某个视角下发射的光线的位置o，方向d以及对应的坐标(x,y,z)，送入神经辐射场Fθ得到体密度和颜色....
欧姆龙CP1H PLC与威纶通触摸屏通讯及步进摆臂机构防丢步处理程序的应用
07-23
内容概要：本文详细介绍了欧姆龙CP1H PLC三台IO联机与威纶通触摸屏之间的通讯方案及其应用背景。重点讨论了步进摆臂机构在高速运转中易出现的‘丢步’问题，并提出了一种有效的防丢步处理程序。该程序通过精确的算法和模块化的代码设计，实现实时监测和自动补救，从而确保设备稳定运行并提高生产效率。此外，文中还强调了三台PLC与触摸屏通讯的优势，即集中控制和便捷管理，进一步提升了系统的整体性能。 适合人群：从事工业自动化领域的工程师和技术人员，尤其是那些需要解决步进电机丢步问题的专业人士。 使用场景及目标：适用于需要提升生产线自动化水平的企业，特别是在涉及多轴步进摆臂机构的场合。主要目标是减少因丢步导致的产品质量问题，同时提高生产效率和设备可靠性。 其他说明：本文不仅提供了理论依据，还有具体的实施步骤和代码分析，有助于读者深入理解和实际应用。
矩阵变换器MATLAB仿真：三相系统建模与优化参数设置 电力电子 v2.5
最新发布
07-23
内容概要：本文详细介绍了三相矩阵变换器在MATLAB/Simulink环境下的仿真方法及其优化过程。首先展示了三相矩阵变换器的核心模块和调制算法，特别是双脉冲调制部分的子模块，利用三角函数生成开关时序。接着讨论了LC滤波参数对输出电流波形的影响，通过粒子群算法优化得到最佳参数组合。此外，还探讨了双向开关的建模技巧，避免数值振荡的方法以及选择合适的求解器来提高仿真的准确性。最终，仿真结果显示在85%负载下效率达到98.2%，并提供了一个有趣的彩蛋，可以解锁1960年代的原始拓扑结构。 适合人群：从事电力电子、电机驱动等领域研究的技术人员和高校师生。 使用场景及目标：适用于需要深入了解三相矩阵变换器工作原理、掌握MATLAB/Simulink仿真技巧的研究人员和技术开发者。目标是帮助用户更好地理解和应用矩阵变换器的设计与优化方法。 阅读建议：读者可以通过本文学习到具体的建模步骤和优化参数的选择依据，同时关注文中提到的一些常见问题及解决方案，以便在实际操作中避免类似错误。
ABAQUS盾构隧道开挖模型详解：一环七片、毫米单位制、含螺栓与配筋设计
07-23
内容概要：本文详细介绍了基于ABAQUS软件构建的盾构隧道开挖模型，重点讲解了一环七片的管片装配方法、螺栓连接设置以及钢筋笼处理技巧。文中强调了单位制的选择（毫米）、装配逻辑、螺栓预紧力加载顺序、钢筋布置参数化建模等方面的技术要点，并分享了作者在实际操作中的经验和常见错误避免方法。此外，还讨论了开挖步骤的设置及其重要性，确保模拟结果的准确性。 适合人群：从事土木工程、岩土工程、隧道工程等领域研究和技术应用的专业人士，尤其是熟悉ABAQUS软件并希望深入了解盾构隧道开挖模型的工程师。 使用场景及目标：适用于需要进行盾构隧道施工模拟的研究项目或工程项目，帮助工程师更好地理解和掌握盾构隧道开挖过程中涉及的各种力学行为和关键技术，提高模拟精度和可靠性。 其他说明：文章不仅提供了具体的代码片段用于指导具体操作，还分享了许多实践经验，有助于读者在实践中少走弯路，提升工作效率。
STM8F103驱动HX711电子秤模块实现智能垃圾分类与精密仪器应用
07-23
内容概要：本文档详细介绍了基于STM8F103单片机和HX711芯片的电子秤采集模块的设计与实现。主要内容涵盖硬件电路设计（如原理图和PCB布局）、软件编程（如串口通信、传感器校准、看门狗配置、数字滤波算法），以及应用场景（如智能垃圾桶）。文档提供了完整的源代码并附带详细注释，确保开发者能够快速理解和部署。文中还特别强调了关键的技术细节，如HX711的数据读取方法、校零功能的实现、EEPROM存储机制、看门狗设置及其重要性、不同量程传感器的适配方法、抗干扰措施（如TVS管和π型滤波的应用）以及滑动窗口均值滤波和中值滤波的组合使用。 适合人群：对嵌入式系统开发有一定基础的工程师和技术爱好者，特别是那些希望深入了解STM8系列单片机和HX711传感器应用的人群。 使用场景及目标：适用于需要精确称重解决方案的产品开发，如智能垃圾桶、工业自动化设备和其他精密测量仪器。目标是帮助开发者掌握从硬件设计到软件编程的全流程，从而实现高效稳定的称重模块。 其他说明：文档不仅提供理论指导，还包括大量实用技巧和注意事项，有助于解决实际项目中可能遇到的问题。例如，如何调整传感器参数以适应不同的量程需求，如何优化滤波算法提高测量精度等。
基于 PID 控制算法的系统仿真设计与实现研究
07-23
资源下载链接为： https://pan.quark.cn/s/790f7ffa6527 在一维运动场景中，小车从初始位置 x=-100 出发，目标是到达 x=0 的位置，位置坐标 x 作为受控对象，通过增量式 PID 控制算法调节小车的运动状态。 系统采用的位置迭代公式为 x (k)=x (k-1)+v (k-1) dt，其中 dt 为仿真过程中的恒定时间间隔，因此速度 v 成为主要的调节量。通过调节速度参数，实现对小车位置的精确控制，最终生成位置 - 时间曲线的仿真结果。 在参数调节实验中，比例调节系数 Kp 的影响十分显著。从仿真曲线可以清晰观察到，当增大 Kp 值时，系统的响应速度明显加快，小车能够更快地收敛到目标位置，缩短了稳定时间。这表明比例调节在加快系统响应方面发挥着关键作用，适当增大比例系数可有效提升系统的动态性能。 积分调节系数 Ki 的调节则呈现出不同的特性。实验数据显示，当增大 Ki 值时，系统运动过程中的波动幅度明显增大，位置曲线出现更剧烈的震荡。但与此同时，小车位置的变化速率也有所提高，在动态调整过程中能够更快地接近目标值。这说明积分调节虽然会增加系统的波动性，但对加快位置变化过程具有积极作用。 通过一系列参数调试实验，清晰展现了比例系数和积分系数在增量式 PID 控制系统中的不同影响规律，为优化控制效果提供了直观的参考依据。合理匹配 Kp 和 Ki 参数，能够在保证系统稳定性的同时，兼顾响应速度和调节精度，实现小车位置的高效控制。
没有cuda如何使用云服务器训练nerf模型？有什么推荐的服务器吗？
05-13
如果你没有CUDA，可以考虑使用云服务器来训练NERF模型。云服务器提供了丰富的计算资源和快速的网络连接，可以大大缩短训练时间。 推荐的云服务器包括： 1. AWS EC2：提供了强大的GPU实例，如p3和g4实例，适合深度学习训练任务。 2. Google Cloud：提供了类似于AWS的GPU实例，以及TPU实例，适合机器学习和深度学习任务。 3. Microsoft Azure：提供了NVIDIA GPU实例和FPGA实例，适合各种深度学习和AI任务。 4. 腾讯云：提供了GPU实例，如NVIDIA Tesla V100和T4实例，适合深度学习训练任务。 在选择云服务器时，需要考虑服务器的计算能力、存储容量、网络带宽等因素。同时，还需要考虑服务器的价格和性价比。 另外，如果你没有CUDA，你可以使用CPU-only版本的PyTorch或TensorFlow来训练模型。但是需要注意的是，使用CPU训练模型可能会需要更长的训练时间。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值