萌新提问:推荐入坑NeRF吗?

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

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。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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