- 博客(53)
- 收藏
- 关注
RSS订阅原创 Improved Implicit Neural Representation with Fourier Reparameterized Training
本文提出了一种基于傅里叶重参数化(FR)的方法来缓解隐式神经表示(INR)中的低频偏差问题。通过理论分析表明，适当的权重重新参数化可以平衡不同频率的梯度幅度分布，从而改善网络训练中的频谱偏差。该方法通过将MLP权重表示为固定傅里叶基的线性组合，仅训练系数矩阵而不改变网络架构。实验在1D函数拟合、2D图像表示、3D形状重建和视图合成等任务中验证了该方法的有效性，结果表明FR显著提高了多种MLP架构的表示精度，同时能够捕捉更多高频细节。消融研究证实了傅里叶基选择的关键作用和方法的鲁棒性。
2025-11-02 19:37:35
1034
原创 Inductive Gradient Adjustment for Spectral Bias in Implicit Neural Representations
本文提出了一种基于经验神经切线核(eNTK)的归纳梯度调整(IGA)方法，用于改善多层感知器(MLPs)在隐式神经表示(INRs)中的频谱偏差问题。通过理论分析，作者证明了eNTK矩阵能够有效关联训练动态与频谱偏差，并设计了一种可扩展的梯度调整策略，通过采样数据归纳泛化实现对大规模数据的有效训练。实验表明，IGA方法能够在2D图像、3D形状和神经辐射场等多种INR任务中显著提升模型性能，相比现有方法取得更优且稳定的改进，同时保持合理的计算开销。该方法为通过调整训练动态来提升神经网络表示能力提供了新思路。
2025-11-02 19:36:38
965
原创 HOIN: High-Order Implicit Neural Representations
本文提出了一种改进隐式神经表示（INR）性能的高阶隐式神经表示（HOIN）框架，用于解决逆问题中的频谱偏差恶化问题。通过引入高阶交互块（HO Block）增强特征交互能力，HOIN显著提升了模型表达能力并改善了神经切线核（NTK）的对角线特性。理论分析验证了HOIN的可行性，实验结果显示其在多种逆问题上实现了1-3dB的性能提升，同时保持训练效率。该工作为INR在逆问题求解领域提供了新的通用范式，特别是在高频细节恢复方面取得了突破性进展。
2025-11-01 09:50:41
737
原创 MIRE: Matched Implicit Neural Representations
摘要：本文提出了一种匹配隐式神经表示（MIRE）的新方法，通过动态调整多层感知器（MLP）中各层的激活函数来提升信号表示性能。传统隐式神经表示（INRs）采用固定激活函数且依赖参数网格搜索，而MIRE利用包含七种时频定位良好的激活函数的字典，通过字典学习方法为每层选择最优激活。实验表明，MIRE在图像表示、修复、3D形状重建等任务中显著优于现有方法，同时消除了对预训练参数搜索的依赖。该方法不仅提高了INRs的表示能力和泛化性，还展现出对不同信号的自适应优势。
2025-10-28 19:27:46
892
原创 Unsupervised High-Order Implicit Neural Representation with Line Attention for MAR
摘要：本文提出了一种基于高阶线性注意力网络（HoLAN）的无监督金属伪影减少（MAR）方法，用于CT图像恢复。传统深度学习方法依赖大量配对数据，而本文通过隐式神经表示（INR）直接从坐标映射到线性衰减系数（LAC），无需外部训练数据。HoLAN引入二阶特征交互缓解频谱偏差问题，并结合线性注意力模块（LAM）建立全局空间关系，增强局部细节恢复。多局部相邻射线采样策略进一步提供上下文信息。实验表明，该方法在模拟和临床数据上优于现有监督与无监督方法，显著提升伪影去除和细节保留性能。
2025-10-28 17:11:23
702
原创 F-INR: Functional Tensor Decomposition for Implicit Neural Representations
本文提出F-INR框架，通过函数张量分解重构隐式神经表示（INR），将高维数据分解为轻量级轴专用子网络。每个子网络学习低维数据组件，通过张量运算组合实现高效预测。F-INR兼容多种架构（MLP、SIREN等）和分解模式（CP、TT、Tucker），支持用户自定义秩以平衡速度与精度。实验表明，F-INR在视频任务上训练速度提升100倍，PSNR提高3.4dB，在图像压缩、物理模拟和3D重建等任务中均表现优异。该框架为高维信号建模提供了可扩展、灵活的解决方案。
2025-10-26 14:37:12
932
原创 【MAR】SMART：Self-supervised Learning for Metal Artifact Reduction in Computed Tomography Using Rang
本文提出了一种自监督学习框架SMART，用于计算机断层扫描(CT)中的金属伪影减少(MAR)。该框架采用范围-零空间分解(RND)技术，将金属和组织的线性衰减系数(LAC)分别建模为残差范围分量和零分量，从而有效分离金属伪影和组织结构。通过隐式神经表示(INR)实现自监督学习，并整合多色谱特性以适应不同成像条件。实验表明，SMART在合成和临床数据集上均表现出色，能有效减少伪影同时保留解剖细节，且对分布外数据具有良好泛化能力。尽管在脑部CT和3D重建方面存在局限，但该方法为临床MAR提供了实用解决方案。
2025-10-24 13:11:00
637
原创 Uncertainty-Aware Null Space Networks for Data-Consistent Image Reconstruction
摘要：本文提出了一种结合深度零空间网络与不确定性量化的图像重建方法，用于解决含噪声且不完整的测量数据重建问题。该方法通过输入依赖的尺度图建模数据依赖的不确定性，同时确保数据一致性。在有限角度CT和加速MRI实验中，该方法不仅提高了重建质量（PSNR和SSIM显著提升），还能通过不确定性图识别重建中的不可靠区域（如金属伪影或分布外数据）。实验表明，该方法在保持重建性能的同时，为安全关键应用（如医学成像）提供了可靠的置信度评估。 关键词：逆问题、零空间学习、神经网络、不确定性量化、加速MRI、有限角度
2025-10-23 20:58:19
665
原创 Where Do We Stand with Implicit Neural Representations? A Technical and Performance Survey
本文系统综述了隐式神经表示(INRs)的研究进展与应用。INRs通过多层感知机将数据建模为连续函数，具有分辨率无关性、内存效率高等优势，在图像重建、3D建模等领域表现出色。文章提出了四类INR方法分类体系：激活函数改进、位置编码优化、二者结合及网络结构优化。实验比较表明，INCODE在CT重建等任务中表现最优但计算成本高，Fr和Finer在效率与质量间取得更好平衡。研究还指出了当前方法的局限性，如可扩展性和计算效率问题，并建议未来研究应关注更高效的频率编码机制和动态适应能力。
2025-10-22 15:12:37
916
原创 Rethinking SSIM-Based Optimization in Neural Field Training
本文研究了SSIM损失在神经场训练中的优化使用，发现SSIM损失在模型学习亮度之前的早期训练阶段特别有效。通过实验验证，作者提出将SSIM损失作为早期训练的"引导"机制，在亮度收敛后移除该损失不会损害性能，反而可能提升最终效果。这一发现为神经场训练中SSIM损失的高效应用提供了新思路，同时为深度学习自适应损失函数的研究提供了启示。研究在2D图像回归和神经辐射场学习任务中验证了该策略的有效性，表明适时移除SSIM损失有助于模型找到更好的参数空间表达。
2025-10-18 09:01:24
714
原创 【MAR】Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains
本文提出了一种基于扩散模型的无监督双域金属伪影消除方法(DuDoDp)。该方法首先利用无伪影CT图像训练扩散模型作为先验，然后在正弦图域和图像域迭代整合扩散先验信息：在正弦图域修复受金属影响区域，在图像域融合扩散生成图像、修复重建图像和原始伪影图像。通过设计动态权重掩模优化融合过程，方法在合成和临床数据上均优于现有无监督方法，甚至超过部分监督方法。实验表明双域处理和扩散先验能有效恢复金属周围组织结构，展现良好临床应用潜力。
2025-10-18 08:57:45
989
原创 【MAR】Unsupervised Density Neural Representation for CT Metal Artifact Reduction
本文提出了一种名为Diner的无监督密度神经表示方法，用于解决CT金属伪影减少(MAR)问题。该方法通过将能量依赖的线性衰减系数分解为能量独立的密度和已知的质量衰减系数，构建了新颖的可微分前向模型，并将其纳入隐式神经表示框架。Diner无需外部训练数据，通过优化多层感知器网络直接重建物体密度图，从根本上解决了能量引起的非线性束硬化效应。实验结果表明，该方法在模拟和真实数据集上的表现优于现有监督技术，特别是在领域外数据上具有显著优势。这是首个显著超越监督方法的无监督MAR技术，为临床CT重建提供了新思路。
2025-10-12 08:36:03
791
原创 CT图像重建原理
X 射线源与探测器阵列对置，围着物体旋转。每转到一个角度 θ（也叫一个），源发射扇形/平行的射线束，上有很多“”（记作索引 n）。穿过物体后的强度。沿射线路径，物体的线性衰减系数为。理想单色下：这一个标量就是对物体的（也称。CT 单色理想模型里，探测器在角度 θ、通道位置 s 测到的对数强度，正是把待求的衰减系数 μ(x,y)在直线 L(θ,s) 上的积分。也就是说：正弦图 = Radon 变换的离散采样。
2025-09-17 15:26:39
565
原创 【MAR】PND-Net: Physics-Inspired Non-Local Dual-Domain Network for Metal Artifact Reduction分析
PND-Net 训练核心：通过分解生成干净图像+融合生成伪影图像的双循环机制，用 GAN 判别器和循环一致性约束实现端到端学习，最终实现从带伪影 CT 图像到去伪影干净图像的映射。②图像域处理（IR-Net）：将投影域净化结果通过 FBP 重建成图像域，再输入 IR-Net（基于 U-Net 的卷积网络）进行图像域伪影修正，生成最终的干净图像。循环二：生成的伪影图像再次进入分解网络，生成干净图像，并与原干净图像通过循环一致性损失对比，约束分解网络学习正确的去伪影映射。
2025-09-09 14:36:54
344
原创 【MAR论文精读】PND-Net: Physics based Non-local Dual-domain Network for Metal Artifact Reduction
本文提出了一种物理启发的非局部双域网络PND-Net用于CT图像金属伪影消除。该网络通过蒙特卡洛模拟验证了金属伪影在正弦图域中的非局部特性，设计了包含三个子网络的联合框架：非局部正弦图分解网络(NSD-Net)提取加权伪影成分，图像恢复网络(IR-Net)消除残余伪影，融合网络(F-Net)实现无监督学习。创新性地引入线性插值先验损失和内部一致性损失，在模拟和临床数据上的实验表明，该方法能有效去除暗带和亮边伪影，优于现有最优方法。
2025-09-09 14:35:16
1045
原创 Radiologist-in-the-Loop Self-Training for Generalizable CT Metal Artifact Reduction
本文提出了一种创新的放射科医生参与式自训练框架RISE-MAR，用于提升CT图像金属伪影抑制的临床泛化能力。该方法通过两个核心创新解决现有半监督方法的局限：1）构建临床质量评估器(CQA)模拟放射科医生的质量评判，筛选高质量伪真实数据；2）设计自训练机制动态更新教师-学生网络，逐步扩大高质量训练数据池。实验表明，RISE-MAR在多个临床数据集上显著优于现有方法，其CQA模块可作为可靠的自动质量评估工具。该方法通过迭代优化实现了模拟数据知识向临床数据的有效迁移，为医学影像处理提供了新的半监督学习范式。
2025-09-02 14:54:36
1094
原创 【MAR】Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction
本文提出了一种无监督的多色神经表征方法Polyner，用于解决CT成像中的金属伪影问题。该方法通过建立多色前向模型准确模拟非线性CT采集过程，将隐式神经表示与正则化器结合，无需外部训练数据即可重建高质量CT图像。实验表明，Polyner在域内数据集上性能与有监督方法相当，在域外数据集上显著优于有监督方法。该研究首次实现无监督MAR方法性能超越有监督方法，为临床CT成像提供了更实用的解决方案。
2025-08-31 11:38:20
988
原创 Metal Artifact Correction in Industrial CT Images Based on a Dual-Domain Joint DL Framework
本研究提出了一种基于UNet-ResNet的双域联合深度学习框架，用于校正工业CT图像中的金属伪影。该方法同时利用投影域和图像域信息，先通过UNet校正投影数据，再经FBP重建后由ResNet优化图像。实验结果表明，该方法显著优于单域校正方法，平均PSNR达36.13，SSIM达0.953，且在不同扫描参数和多材料情况下均表现出良好的泛化能力。这种双域协同优化策略为工业CT伪影校正提供了新思路。
2025-08-23 15:00:53
761
原创 【MAR论文】OSCNet: Orientation-Shared Convolutional Network for CT Metal Artifact Learning
本文提出了一种基于方向共享卷积网络（OSCNet）的CT金属伪影校正方法。针对金属伪影具有旋转对称条纹模式的特点，该方法创新性地采用傅里叶级数展开的滤波器参数化方法，构建方向共享卷积表示机制来建模伪影。通过近端梯度算法和深度展开技术，将物理先验知识嵌入网络架构，实现伪影与组织的有效分离。为提高灵活性，进一步提出动态卷积表示子网络（OSCNet+），可根据输入图像自适应调整参数。实验表明，该方法在合成和临床数据集上均优于传统和深度学习方法，具有参数少、可解释性强等优势。
2025-08-22 14:10:26
897
原创 【MAR】OSCNet+学习笔记
CT（X光断层扫描）在临床上很常用。但如果病人身体里有金属（比如牙科填充物、假体、钢钉等），就会在CT图像上出现伪影—— 一些不真实的条纹或阴影，会干扰医生诊断。现在很多人用深度学习来去伪影，但这些方法通常只学到了“图像差异”，并没有充分利用伪影的物理特征。发现伪影的特点：金属伪影往往呈现出旋转对称的条纹（streaking patterns）。设计了一个叫OSCNet的网络：利用“方向共享卷积 (orientation-shared convolution)”来适应这些旋转对称的模式。用。
2025-08-20 15:02:52
1130
原创 近端梯度迭代优化算法
通过上述步骤，你可以理解近端梯度迭代优化算法的基本原理和具体应用。这种算法通过将优化问题分解为可微部分和非可微部分，分别进行梯度下降和近端操作，从而有效地求解带正则化的优化问题。此外，设计自适应步长可以根据当前的梯度信息动态调整步长，进一步提升优化性能和稳定性。
2025-08-19 18:30:19
1036
原创 【MAR】DICDNet卷积字典模型
传统的 LI、NMAR 都是在里做数据修补，但容易引入二次伪影。后来很多工作转向，直接用 CNN 去除伪影。问题是：CNN 虽然强大，但属于“黑箱”，没有显式利用伪影的物理规律。就是为了弥补这个不足：👉 它引入了来显式编码。
2025-08-19 11:19:46
924
原创 研究学习3DGS的顺序
论文实现内部结构重建？技术核心任务类型✅对高斯体进行体积积分CT、层析重建✅X光投影+偏差校正，体积恢复稀疏CT重建RayGauss✅光线体积投射体渲染、新视角原始3DGS❌（仅表面）2D splatting投影可见表面重建。
2025-08-15 14:43:55
780
1
原创 R2-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction
本文提出R²-Gaussian，首个基于3D高斯splatting(3DGS)的稀疏视角断层重建框架。研究发现标准3DGS存在积分偏差问题，阻碍精确体数据检索。为此，作者提出三项创新：(1)定制化高斯核；(2)拓展光栅化至X射线成像；(3)开发CUDA可微体素化器。实验表明，该方法在合成和真实数据集上均优于现有方法，仅需4分钟即可生成高质量结果，比NeRF方法快12倍且性能相当。
2025-08-15 14:42:35
1533
原创 【超分】—教师-学生模型（Teacher-Student Model）
(2)注意力迁移：若教师模型使用注意力机制（如Transformer），让学生模型模仿其注意力图（Attention Map）。让教师模型不仅能超分图像，还能明确区分不同的退化类型（如高斯模糊 vs. 运动模糊 vs. 泊松噪声）。将教师模型的退化区分能力迁移到轻量化的LightBSR中，但不增加学生模型的推理成本。其中𝜏是温度系数，控制分布尖锐程度。
2025-08-15 14:40:44
825
原创 超分——对比学习（Contrastive Learning）
在 SimCLR 中，每张图像的两个增强视图之间的相似度会被拉近，而不同图像的增强视图之间的相似度会被推远。这种对比学习方式使得模型能够学习到对不同增强视图具有区分性的特征表示，从而提升模型的性能。
2025-08-15 14:40:00
1445
原创 LightBSR的改进方向汇总
模块位置原始LightBSR改进建议IDR-CB静态FC/Conv调制改为Dynamic Conv或Gated ConvTeacher阶段对比学习+DRP融入Mini-Diffusion先验建模IDR-AM固定调制结构加入Prompt Embedding控制调制策略。
2025-08-15 14:39:16
722
原创 通俗易懂理解盲超分
具体来说，它是盲超分辨率（Blind Super-Resolution, BSR）的一种，面对的是。类似于你告诉医生病人得了哪种病（退化特征），医生就能有针对性地开药（进行 SR 恢复）；告诉模型：“这张图是怎样退化的”，从而选择最适合的逆操作进行超分重建。特点：该向量不具备可直接解释性，但包含了恢复 HR 所需的关键信息。，而非人工标注的标签，属于无监督学习范畴。它并不是直接告诉你如何超分，而是提供了“与图像特征融合，指导 SR 重建过程；输出：一个表示退化类型的低维向量。，但提供了通向路径的。
2025-08-15 14:37:27
288
原创 Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains
摘要：本文提出了一种无监督的CT金属伪影减少方法DuDoDp，通过双域扩散先验在正弦图域和图像域迭代修复金属伪影。首先训练扩散模型生成无伪影CT图像，随后在正弦图域修复受金属影响的区域，并在图像域融合扩散先验、修复图像和原始含伪影图像以优化结果。实验表明，该方法在合成和临床数据集上均优于现有无监督方法，甚至超过部分监督方法，尤其在处理大型金属植入物时表现突出。然而，计算效率和小金属伪影处理仍有改进空间。该方法为无配对数据场景下的金属伪影校正提供了新思路。 关键词：CT金属伪影减少、扩散模型、无监督学习、双域
2025-08-15 14:34:39
1409
原创 UNETR++: Delving Into Efficient and Accurate 3D Medical Image Segmentation
得益于Transformer模型的成功，近期研究开始探索其在3D医学分割任务中的适用性。在Transformer模型中，自注意力机制是核心构建模块之一，与基于局部卷积的设计相比，它致力于捕捉长距离依赖关系。然而，自注意力操作存在二次复杂度问题，这已成为计算瓶颈，尤其在体医学成像中——此类输入为3D形式且包含大量切片。本文提出一种3D医学图像分割方法，名为UNETR++，该方法既能生成高质量分割掩码，又在参数数量、计算成本和推理速度方面具备高效性。
2025-07-24 11:08:23
1050
1
原创 【每天一学】ECA（Efficient Channel Attention）
ECA 是一个让网络自己决定哪些通道重要的模块，就像给每个工人评分，从而让整个网络更聪明，但它非常轻，不会拖慢训练速度，也不会让模型变大。（比如3个通道滑一下）来让相邻的通道互相沟通一下（主要就是学习通道间关系，不降维）；”的方法，把每个通道的空间信息压缩成一个数字（相当于一个通道的“总体表现”）；用这些权重乘以原来的特征图通道，实现强调重要通道、抑制不重要通道的效果。意思是：第1、4个通道非常重要，第3个通道不重要，第64个通道一般重要；：“用一维卷积代替全连接层，避免降维，实现高效的通道注意力建模。
2025-07-16 13:56:02
2033
原创 【超分论文精读】——LightBSR（ICCV2025）
本文提出LightBSR，一种基于判别性隐式退化表示学习的轻量级盲超分辨率方法。针对现有IDE-BSR方法忽视退化表示判别性导致模型复杂的问题，LightBSR通过知识蒸馏框架增强隐式退化表示（IDR）的区分能力：教师阶段引入退化先验约束的对比学习技术，学生阶段通过特征对齐实现知识迁移。实验表明，该方法在合成和真实退化场景中均能以极低复杂度（参数量仅3.1M）实现SOTA性能，如Urban100数据集上PSNR优于CDFormerS（11.9M参数）0.11dB。
2025-07-15 17:02:01
1037
原创 Python从入门到实战学习笔记（二）
❷ """显示简单的问候语。"""")本例演示了最简单的函数结构。❶处的代码行使用关键字def来告诉Python，你要定义一个函数。这是函数定义，向Python指出了函数名，还可能在圆括号内指出函数为完成任务需要什么样的信息。在这里，函数名为，它不需要任何信息就能完成工作，因此括号是空的（即便如此，括号也必不可少）。最后，定义以冒号结尾。紧跟在后面的所有缩进行构成了函数体。❷处的文本是称为文档字符串（docstring）的注释，描述了函数是做什么的。
2025-06-21 16:50:39
1028
1
原创 Python从入门到实战学习笔记（一）
列表由一系列按特定顺序排列的元素组成。你可以创建包含字母表中所有字母、数字0～9或所有家庭成员姓名的列表；也可以将任何东西加入列表中，其中的元素之间可以没有任何关系。列表通常包含多个元素，因此给列表指定一个表示复数的名称（如lettersdigits或names）是个不错的主意。在Python中，用方括号（[]）表示列表，并用逗号分隔其中的元素。结果：（1）访问列表元素列表是有序集合，因此要访问列表的任意元素，只需将该元素的位置（索引）告诉Python即可。
2025-06-20 15:58:09
778
原创 Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis———文章解读
本文提出X-Gaussian框架，首次将3D高斯溅射技术应用于X射线成像领域。针对X射线各向同性的特性，该方法摒弃传统球谐函数，设计辐射强度模型(RIRF)通过特征向量内积直接预测辐射强度，并开发可微分辐射光栅化(DRR)加速渲染。创新性地提出角度姿态长方体均匀初始化(ACUI)策略，利用扫描仪几何参数直接生成初始点云和相机参数，取代传统耗时且不稳定的SFM方法。实验表明，X-Gaussian在稀疏视角CT重建任务中性能显著优于现有方法，PSNR提升6.5dB，训练速度提高7倍，推理速度提升73倍。
2025-06-19 09:36:48
1268
原创 超分模型文章汇总
一下列出的这些模型是，它们代表了深度学习超分辨率的发展历程。研究它们的，有助于你找到适合的模型。（2014）：最早的深度学习SR模型，三层CNN。（2016）：像素卷积提升分辨率，减少计算量。（2016）：深度残差学习，提高SR性能。（2016）：递归神经网络SR，提高感受野。（2017）：深度递归SR网络，提高重建质量。（2017）：去掉批归一化的ResNet，提高性能。（2018）：密集连接网络，提升信息流。（2017）：引入GAN，提高感知质量。（2018）：改进SRGAN，更清晰的边缘。
2025-06-18 10:01:59
1374
原创 A Survey on 3D Gaussian Splatting——3D高斯领域综述
3D高斯splatting（3DGS）通过显式表示和可微渲染技术，实现了实时渲染与高度可编辑性，成为辐射场领域的重要突破。本文首次系统综述了3DGS的原理、优化方法（如自适应密度控制）及关键进展，包括稀疏输入增强、内存压缩、真实感提升等技术改进。研究还探讨了3DGS在语义建模、动态场景和混合表示中的扩展应用，并指出未来方向如物理/语义感知建模、自动驾驶仿真等。3DGS凭借其实时性与灵活性，为下一代3D重建开辟了新路径，但其在计算效率和大规模场景适应性方面仍需优化。
2025-06-17 19:33:45
1795
原创 3D高斯泼溅和4D高斯
高斯泼溅点是 3D Gaussian Splatting 场景建模的基本单元“一个具有体积、方向、不透明度、颜色和形变信息的三维椭球体，通过高斯函数来建模。你可以理解为在空间中放置了许多微小“彩色雾团”，它们像墨水滴一样一起混合，最终形成逼真的3D图像。特性含义类比传统点高斯点是“可扩张 + 可旋转 + 有颜色 + 不透明度 + 方向感”的“智能点”类比体素/网格高斯点是连续分布的，不需要规则网格，更灵活、更稀疏类比 NeRF 点样本。
2025-06-17 11:49:59
2823
原创 3D Gaussian Splatting for Real-Time Radiance Field Rendering——文章方法精解
Point-NeRF是一种将稀疏点云与 NeRF 结合起来的方法，通过给点添加神经特征，并利用体积渲染完成新视角合成；而则是用可渲染的高斯分布表示场景点，摆脱了神经网络渲染的成本，实现了更高效的实时效果。Plenoxels是一种完全抛弃神经网络的 NeRF 变体，用稀疏体素网格表示场景，每个体素中保存颜色与密度等信息，训练和渲染都非常快。它是从“神经渲染”走向“直接优化”的关键过渡点之一，也为后来的 3D Gaussian Splatting 这种“完全可显式渲染”的方法铺平了道路。步骤技术关键词目的。
2025-05-21 21:48:10
1976
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人