qq_43527694的博客

时间：2019作者：Shunsuke Saito，University of Southern California etc.Abstract通过使用Pixel-Aligned Implicit Function，本文提出了一种端到端的深度学习方法，用于数字化高度详细的穿着衣服的人，该方法可以从单个图像和多个输入图像推断3D表面和纹理。1.与现存的三维深度学习的方法相比，PIFu能产生高分辨率的表面，包括基本上看不见的区域，如人的背部；2.PIFu不像一些体素表示，它具有内存效率，而且能

时间：2019年作者：Weiyue Wang ,University of Southern California etc.Abstract：1.DISN 通过预测基本符号距离场来从二维图像中生成高质量的细节丰富的三维网格；2.DISN 在二维图像上预测每一个三维点的投影位置，以及从图像特征映射中提取局部特征。将全局特征与局部特征相结合，可以提高符号距离场的预测精度，尤其对于细节丰富的区域。1.Introduction1.体素与点云方法通常在分辨率上受到限制；2.一些方法在神经网

时间：2020年作者：Stefan Popov ，Google Research etc.

Abstract1.NeRF的计算开销太大，因此提出了FastNeRF；这是第一个基于NeRF的系统，能够在GPU上以200Hz的频率渲染高保真照片级真实感图像。2.它允许（i）在空间中的每个位置紧凑地缓存深度辐射贴图，（ii）使用光线方向有效地查询该贴图，以估计渲染图像中的像素值。大量实验表明，该方法比原NeRF算法快3000倍，比现有的NeRF加速算法至少快一个数量级，同时保持了视觉质量和可扩展性。Method1.渲染方程为：Lo(p,d)是沿方向d离开点p...

Abstract1.为了减轻NeRF的计算开销，本文指出NeRF 在 coarse to fine 的分层抽样过程中用一个轻量化模型来代替粗的采样阶段；2.所提出的采样场将光线映射到样本分布中，样本分布可以转换为点坐标并馈送到用于体绘制的辐射场中。Method1.NeRF:通过得到每一个点处的颜色和密度。使用求积规则计算沿相机光线r(t)=o+td的像素的期望颜色:使用颜色值的L2范数损失来约束：2.NeRF以及其变体都采用分层抽样的策略，即先在每个均匀划分的区间中...