qq_35831906的博客

本研究的创新之处在于首次将单目深度学习的先验信息系统地整合到多视角SfM框架中，为解决传统SfM方法在极端条件下的失效问题提供了新的思路。通过将单目先验信息与多视角几何约束紧密结合，该方法在以下三个方面取得了显著改进：1）在极端视角变化（如视角差异大于90度）的情况下，传统方法往往因特征匹配失败而无法重建，而本方法能够借助单目先验信息保持稳定的重建效果；2）在纹理缺乏或重复纹理区域，本方法通过融合深度信息显著提高了重建的完整性和准确性；3）在常规成像条件下，本方法仍然能够保持与传统方法相当甚至更好的性能。

神经辐射场（NeRFs）正在成为一种普遍的场景表示方法，能够实现新视角的合成。随着NeRF的应用越来越广泛，人们可能会希望与他人共享NeRF。然而，在共享NeRF之前，可能需要移除个人信息或不雅的物体。然而，当前的NeRF编辑框架难以实现这种移除。我们提出了一个从RGB-D序列创建的NeRF表示中移除物体的框架。我们的NeRF修复方法利用了近期在2D图像修复领域的研究成果，并由用户提供的掩码进行引导。我们的算法基于一种置信度驱动的视图选择程序来实现。

iSDF是一个用于实时SDF重建的系统，它将移动摄像机捕获的流构成深度图像作为输入，并在在线操作期间学习近似环境真实有符号距离场的函数。有符号距离函数由多层感知器(MLP)建模，该感知器将3D坐标映射到该点的有符号距离值。模型以随机权重初始化，并根据输入的测量值实时优化。

最近，隐式神经表示在基于学习的3D重建中变得流行起来。尽管展示了有前景的结果，但大多数隐式方法仅限于相对简单的单个对象几何形状，并且无法扩展到更复杂或大规模的场景。隐式方法的关键限制因素是其简单的全连接网络架构，这不允许在观察中整合局部信息或结合诸如平移等变性等归纳偏置。在本文中，我们提出了卷积占据网络，这是一种更灵活的隐式表示，用于详细重建物体和3D场景。通过结合卷积编码器和隐式占据解码器，我们的模型结合了归纳偏置，从而在3D空间中实现结构化推理。

Habitat: A Platform for Embodied AI Research》目标：提供一个高性能模拟平台，支持具身AI的研究，特别是视觉导航任务。动机：解决复杂环境中智能代理的视觉感知、语言理解和导航问题。核心关注：在高效的3D模拟环境中训练和评估AI代理，特别是在家庭和办公环境中。《HABITAT 3.0: A CO-HABITAT FOR HUMANS, AVATARS, AND ROBOTS》目标：扩展Habitat平台以支持人类、虚拟人物和机器人在同一环境中协作。

论文《Learning a Room with the Occ-SDF Hybrid: Signed Distance Function Mingled with Occupancy Aids Scene Representation》由Xiaoyang Lyu等人（ICCV 2023）提出了一种创新的3D场景重建方法。该方法结合了符号距离函数（SDF）和占用表示，以增强重建房间级场景的质量，特别是在低强度区域和细小结构的重建上取得了显著进展。

AutoNeRF则提出了一种使用自主智能体高效探索未知环境，并利用这些经验自动构建隐式地图表示的方法。本文比较了不同的探索策略，包括手工设计的基于前沿的探索、端到端方法以及由高层规划器和低层路径跟随器组成的模块化方法。

naruto复现记录

NARUTO 系统结合了混合神经表示与不确定性学习，并通过不确定性感知规划模块，实现了高保真度的表面重建和主动规划，能够在未受限制的空间内进行 6 自由度运动。这些特性使其在多种任务中表现出色，特别是在增强神经映射方法的性能和稳定性方面。整个系统的流程，包括关键帧生成、混合场景表示、不确定性感知的捆绑调整、地图更新和不确定性感知的路径规划等关键步骤。

视觉语言导航（VLN）要求智能体观察周围环境并根据指令在3D环境中导航。显然，成功导航的关键因素在于全面的场景理解。先前的VLN智能体采用单目框架直接提取透视视图的2D特征。虽然直观，但它们在捕捉3D几何和语义方面存在困难，导致了部分和不完整的环境表示。为了实现具有细粒度细节的全面3D表示，我们引入了一种体积环境表示（VER），将物理世界体素化为结构化的3D单元。

simple-lama-inpainting是LaMa的一个简便版本，已开发pypi packpage 安装包。simple-lama-inpainting 源码：simple-lama-inpainting​​​​​​​ 安装包安装命令如果安装出现以下错误则更换python3.9 以上版本，亲测可行。

CP-SLAM系统支持单一智能体和多智能体模式。因此，我们在两个方面评估了我们提出的协作SLAM系统，即带有闭环的单一智能体实验和包含不同大小和复杂性的两个智能体实验。对于单一智能体方面，我们基于Replica [35]场景生成数据集，然后将我们的方法与最近的神经和传统RGB-D SLAM方法进行比较。对于两个智能体方面，由于迄今为止还没有出现协作神经SLAM工作，我们的方法与传统方法进行比较。我们还进行了消融研究，以展示所提出系统中各模块的重要性。

基于隐式神经网络的协同SLAM系统，包括完整的前端和后端模块，包括里程计、循环检测、子地图融合和全局优化。为了在一个统一的框架中实现所有这些模块，文章提出了一种新颖的基于神经网络的三维场景表示方法，其中每个点维护一个可学习的神经特征用于场景编码，并与特定的关键帧相关联。此外，我们提出了一种分布式到集中式的学习策略，用于协同隐式SLAM，以提高一致性和合作。还提出了一种新颖的全局优化框架，类似于传统的捆绑调整，以提高系统的准确性。

我们提出了一种基于学习的方法，利用非结构化的野外照片集合合成复杂场景的新视角。我们在神经辐射场（NeRF）的基础上进行了改进，以解决在真实世界的图像中存在的光照和遮挡等问题。我们将我们的方法命名为NeRF-W，并将其应用于互联网上著名地标的照片集合，展示了更接近真实照片的新视角渲染效果。

《NeRF-Pose: 一种先重建再回归的弱监督6D物体姿态估计方法》是一篇关于物体姿态估计的论文。该方法采用先重建物体再回归姿态的策略，通过弱监督学习实现6D物体姿态的估计。论文的主要思想是利用神经场重建物体的隐式表示，称为OBJ-NeRF，并使用相对相机姿态进行重建。为了将OBJ-NeRF与基于稠密2D-3D对应关系的6D姿态估计相结合，需要将其与某个参考坐标系恢复关联。

神经辐射场（Neural Radiance Fields，NeRF）在同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）任务中提供了灵活性和鲁棒性的地图表示。本文扩展了最新的NeRF-based SLAM算法NICE-SLAM，该算法能够生成高质量的NeRF地图。然而，根据所使用的硬件不同，生成这些地图所需的迭代次数往往使NICE-SLAM无法实时运行。此外，估计的轨迹无法与传统SLAM方法相媲美。