<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Iron_lyk Blog]]></title><description><![CDATA[简单记录生活]]></description><link>https://blog.youkuaiyun.com/DUDUDUTU</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; DUDUDUTU]]></copyright><item><title><![CDATA[pixelSplat: 3D Gaussian Splats from Image Pairs for Scalable Generalizable 3D Reconstruction]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/135323906</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/135323906</guid><author>DUDUDUTU</author><pubDate>Mon, 01 Jan 2024 12:49:57 +0800</pubDate><description><![CDATA[我们研究 “generalizable novel view synthesis from sparse image observations” 的问题。可微分渲染给NVS领域带来了革命性的进展，但是也受限于它需要大的时间、内存，因为可微分渲染要计算每个相机射线上的数十个或数百个点。这启发了light-field transformers（SRT，Light field networks，Light field neural networks），它们通过将光线嵌入到query token中来渲染光线。]]></description><category></category></item><item><title><![CDATA[GPS-Gaussian:Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/135161218</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/135161218</guid><author>DUDUDUTU</author><pubDate>Fri, 22 Dec 2023 21:23:27 +0800</pubDate><description><![CDATA[尽管NeRF的加速技术取得了进步，但是基于NeRF的NVS方法普遍上仍然是time-consuming，因为他们需要在scene space中查询 dense points。另一方面，显式表示，特别是点云，由于其高速甚至实时的渲染性能而引起了持续的关注。一旦与神经网络集成，基于点的graphics与NeRF相比，实现了一种很有前途的显式表示，具有相当的真实性和极高的效率。再到最近，3DGS实现了实时和高质量的渲染。]]></description><category></category></item><item><title><![CDATA[《HumanGaussian: Text-Driven 3D Human Generation with Gaussian Splatting》]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134980774</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134980774</guid><author>DUDUDUTU</author><pubDate>Wed, 13 Dec 2023 20:30:08 +0800</pubDate><description><![CDATA[为了引入人体结构先验，最近的文本驱动 3D 人体生成研究将 SDS 与 SMPL 等模型结合起来。具体来说，一个常见的做法是将人体先验集成到网格（mesh）和神经辐射场（NeRF）等表示中，或者通过将身体形状作为网格 / 神经辐射场密度初始化，或者通过学习基于线性混合蒙皮（Linear Blend Skinning）的形变场。然而，它们大多在效率和质量之间进行权衡：基于 mesh 的方法很难对配饰和褶皱等精细拓扑进行建模；而基于 NeRF 的方法渲染高分辨率结果对时间和显存的开销非常大。如何高效地实现细粒度]]></description><category></category></item><item><title><![CDATA[《DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation》]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134968520</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134968520</guid><author>DUDUDUTU</author><pubDate>Wed, 13 Dec 2023 11:53:11 +0800</pubDate><description><![CDATA[在3D content creation方面的最新进展大多利用通过SDS进行的基于优化3D生成。虽然已经显示出了有希望的结果，但这些方法的per-sample optimization往往比较缓慢，限制了它们的实际应用。在这篇文章中，我们提出了DreamGaussian，同时实现efficiency和quality。我们的key insight是设计一个生成的三维高斯溅模型，在UV空间中进行友好的网格提取和纹理细化。与NeRF使用的occupancy pruning优化过程相反，我们证明了在三维生成任务中，]]></description><category></category></item><item><title><![CDATA[【ECCV 2022】《Transformers as Meta-learners for Implicit Neural Representations》]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134710375</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134710375</guid><author>DUDUDUTU</author><pubDate>Thu, 30 Nov 2023 13:51:15 +0800</pubDate><description><![CDATA[与像素、体素和网格等离散数据表示相比，INRs不需要依赖于分辨率的二次或三次存储。它们的表示能力并不依赖于网格分辨率，而是依赖于神经网络的能力，神经网络可以捕获底层数据结构并减少表示的冗余，因此提供了一个紧凑（compact）而强大的连续（continuous）数据表示。]]></description><category></category></item><item><title><![CDATA[【NeuIPS 2023】《Operator Learning with Neural Fields: Tackling PDEs on General Geometries》]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134634891</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134634891</guid><author>DUDUDUTU</author><pubDate>Sun, 26 Nov 2023 22:59:25 +0800</pubDate><description><![CDATA[第二个工作旨用已知的偏微分方程来告知INRs，类似于PINN，而本文的方法完全是由数据驱动的，没有物理先验。但是，它们仍然有design rigidity，在训练和推理过程中依赖于固定的网格，这限制了他们在现实应用中的使用，比如irregular sampling grids和new geometries。GNN通常在一个小半径内选择最近的邻居，这可能会引入对训练过程中看到的网格类型的偏差（就是说，GNN这种方式其实引入了网络类型的局部拓扑结构的归纳偏置，所以在测试时会受这种归纳偏置的影响）。]]></description><category></category></item><item><title><![CDATA[【NeuIPS 2021】《Meta-learning sparse implicit neural representations》]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134553186</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134553186</guid><author>DUDUDUTU</author><pubDate>Wed, 22 Nov 2023 16:45:59 +0800</pubDate><description><![CDATA[目前的INRs方法很难被扩展到用于大量的信号或数据集（也就是无法泛化？），因为每个INR的参数都很heavy，且需要很大的内存和计算。为此，这篇文章提出使用元学习的方法，结合稀疏约束下的网络压缩，这样它呈现一个初始化良好的稀疏参数化，在随后的训练中可以快速演化为一组未见过的信号。这篇文章证明，当使用相同数量的优化步骤进行训练以适合每个信号时，meta-learned sparse neural representations比具有相同数量参数的dense meta-learned models获得的损失要小]]></description><category></category></item><item><title><![CDATA[基于Adapter用CLIP进行Few-shot Image Classification]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134485160</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134485160</guid><author>DUDUDUTU</author><pubDate>Sat, 18 Nov 2023 22:44:51 +0800</pubDate><description><![CDATA[CLIP-Adapter、Tip-Adapter、Meta-Adapter文章阅读笔记]]></description><category></category></item><item><title><![CDATA[【NeuIPS‘2023】《Hypernetwork-based Meta-Learning for Low-Rank Physics-Informed Neural Networks》]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134374146</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134374146</guid><author>DUDUDUTU</author><pubDate>Mon, 13 Nov 2023 21:26:55 +0800</pubDate><description><![CDATA[PINNs与coordinate-based MLPs（或者叫INRs）一样，有着同样的弱点。对于一个新的data instance（a new PDE for PINNs 或 a new image for INRs），需要重新训练一个神经网络。了解决上述的问题，这篇文章提出了：1）一种PINNs的low-rank结构的神经网络架构，叫做 low-rank PINNs (LR-PINNs)；2）一种有效的rank-revealing训练算法，它自适应地调整LR-PINNs的秩以适应不同的PDE输入；]]></description><category></category></item><item><title><![CDATA[用于3D Visual Grounding的多模态场景图]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/130464925</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/130464925</guid><author>DUDUDUTU</author><pubDate>Sun, 05 Nov 2023 21:54:02 +0800</pubDate><description><![CDATA[语言图中的每个节点和边，对应于文本描述L中提到的object和它在L中被提到的与其他object的关系。]]></description><category></category></item><item><title><![CDATA[Instant-NGP论文笔记]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/132100212</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/132100212</guid><author>DUDUDUTU</author><pubDate>Sun, 05 Nov 2023 21:53:12 +0800</pubDate><description><![CDATA[另外，在创建数据集时，会计算一个bounding-box，这是为了计算grid用的（https://github.com/yashbhalgat/HashNeRF-pytorch中的get_bboxed_from_blenderobj()函数可以计算）。instant-ngp的nerf模型包含两个MLP，第一个MLP就两个全连接，输入维度是32（16层分辨率x2），输出是16（用于预测密度）。第二个MLP有三个全连接，输入如下（16+16），输出是3（rgb）。]]></description><category></category></item><item><title><![CDATA[【Nature】Human-like systematic generalization through a meta-learning neural network]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134190687</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134190687</guid><author>DUDUDUTU</author><pubDate>Thu, 02 Nov 2023 22:06:07 +0800</pubDate><description><![CDATA[通过元学习来实现Human-like的系统泛化]]></description><category></category></item><item><title><![CDATA[【ICCV‘23】One-shot Implicit Animatable Avatars with Model-based Priors]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134108127</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/134108127</guid><author>DUDUDUTU</author><pubDate>Tue, 31 Oct 2023 16:09:14 +0800</pubDate><description><![CDATA[现有的方法要想从sparse-views 输入中重建human avatar，要么需要dense input signals（视频或多视图），要么从大规模特定的3D human数据集中学习先验。他们的大多数都不能从单视图中重建human avatar。为了实现data-efficient的human avatar制作，这篇文章提出了ELICIT。]]></description><category></category></item><item><title><![CDATA[NeRF综述]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/133984100</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/133984100</guid><author>DUDUDUTU</author><pubDate>Tue, 24 Oct 2023 20:23:19 +0800</pubDate><description><![CDATA[神经辐射场综述]]></description><category></category></item><item><title><![CDATA[图像超分辨率&超分辨率NeRF论文阅读]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/133879538</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/133879538</guid><author>DUDUDUTU</author><pubDate>Sat, 21 Oct 2023 16:13:36 +0800</pubDate><description><![CDATA[Code:xxx。如下图所示 xxx。Code: Nonexxx。如下图所示 xxx。Code:xxx。如下图所示 xxx。Code:Code:xxx。如下图所示 xxx。Code:Code:Code:]]></description><category></category></item><item><title><![CDATA[Reading notes for ICCV‘23]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/133749976</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/133749976</guid><author>DUDUDUTU</author><pubDate>Sat, 14 Oct 2023 16:02:00 +0800</pubDate><description><![CDATA[ICCV 2023论文阅读笔记]]></description><category></category></item><item><title><![CDATA[Sparse Input Novel View Synthesis]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/131719797</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/131719797</guid><author>DUDUDUTU</author><pubDate>Sun, 16 Jul 2023 22:24:59 +0800</pubDate><description><![CDATA[sparse input nvs]]></description><category></category></item><item><title><![CDATA[NeRF-Diffusion系列文章阅读]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/131100941</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/131100941</guid><author>DUDUDUTU</author><pubDate>Thu, 08 Jun 2023 16:05:33 +0800</pubDate><description><![CDATA[（外貌，纹理）。最后渲染出的图像不仅用GT来监督，还用CLIP loss来监督。在预训练扩散模型火爆之后，这一系列的工作逐渐开始使用预训练扩散模型（Imagen/Stable-diffusion）作为guidance，最初的文章是DreamFusion，它提出了SDS损失，后续的工作都是基于SDS来做的。这里对SDS（Score Distillation Sampling）做一个回顾。]]></description><category></category></item><item><title><![CDATA[局部特征匹配(LoFTR) & 基于全局匹配的光流学习(GMFlow)]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/130902107</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/130902107</guid><author>DUDUDUTU</author><pubDate>Sat, 27 May 2023 21:19:18 +0800</pubDate><description><![CDATA[局部特征匹配LoFTR与光流匹配GMFlow学习笔记]]></description><category></category></item><item><title><![CDATA[域泛化（Domain Generalization）相关知识学习]]></title><link>https://blog.youkuaiyun.com/DUDUDUTU/article/details/130782169</link><guid>https://blog.youkuaiyun.com/DUDUDUTU/article/details/130782169</guid><author>DUDUDUTU</author><pubDate>Thu, 25 May 2023 10:44:22 +0800</pubDate><description><![CDATA[领域泛化的目标是从一个或几个不同但相关的领域（训练集）学习一个模型，在unseen的测试领域上得到很好的泛化。（在DG的定义中，“different but related” 是重点，就是说domains虽然不同，但是一定得相关，每个domain包含的类别其实是相同的。）]]></description><category></category></item></channel></rss>