气派飞鹰的博客

对于目标表面应用QSlim算法进行简化，然后将贪心算法相邻三角网格合并成一个近似矩形的四边形，最终得到的网格就是基网格。N (·)：在光栅化期间，对这些法线进行插值以生成参考表面和采样表面的法线矢量帧缓冲区。用逆渲染进行优化，作者说他们发现用基于外观的方法进行优化比基于距离的方法更稳定。有了对应的网格和特征场，将位置和特征与一个位置编码派生的编码enc结合起来，在这个处理过程中要判断采样点是否为边界点，如果是边界点，则不进行抖动操作。加上对应的偏移量，就得到了这个顶点最终的位置坐标。层数由超参数L控制。

3D 数据采集过程（例如激光范围扫描）产生的重要物体模型通常包含由于遮挡、反射或透明度而产生的孔洞。本文的目标就是在点集表面上检测存在的孔洞。对于每个点，将多个标准组合成一个综合边界概率。最终的边界环提取步骤使用该概率并利用边界的附加相干特性来导出鲁棒且自动的孔检测算法。

提出了一种混合分析神经重建方案，该方案弥合了分段点云和结构化 CAD 模型之间的差距，并且可以轻松地与不同的分割主干相结合。此外，为了为表面拟合阶段提供动力，提出了一种新颖的自由曲面隐式神经表示，从而提高了整体 CAD 重建方案的性能。

本文提出了一种基于3D Gaussian Splatting方法的视觉同步定位与地图构建方法。与最近采用神经隐式表达的SLAM方法相比，本文的方法利用实时可微分泼溅渲染管道，显著加速了地图优化和RGB-D渲染。

提出了一个城市规模的数据集，由超过 16 万座建筑物以及相应的点云、网格和线框模型组成，覆盖爱沙尼亚的 16 个城市，面积约 998 平方公里。

是 Mildenhall 和 Barron 参与的工作（都是谷歌的），同时一作是 Lipman 的学生，VolSDF 的一作。本文引用了很多其他文章的方法，Mildenhall 和 Barron 等的论文Mip-NeRF 360，以及VolSDF的方法。采用了 Instant-NGP 为中介来学习处于顶点位置的参数然后再固定到顶点上。

笔者是在windows下配置的环境。

如此热门的项目，网络上有很多大牛分析了这篇文章的做法，在这里简单记录一下个人粗浅的理解。关于各种数学表达式的推导，论文和参考资料中都提供了较为详细的解读，本人能力有限，这一部分理解不够深刻，先不做记录。

它要处理的任务是新视角合成。会围绕物体采集不同角度的图像，之后计算每个采集角度的相机位姿，将采集的图像序列以及它们对应的位姿送入到NeRF，就可以合成一些新的视角。简单理解为通过已知相机位姿下的视图，学习推测未知相机位姿下的视图。

传统的NeRF神经绘制方法可以生成高质量的视图合成结果，但由于对每个场景进行了优化，导致重建时间过长。深度多视图立体（deep multi-view stereo）方法可以通过直接的网络推理快速重建场景几何。point-nerf结合了这两种方法的优点，使用神经三维点云，与相关的神经特征，以模拟一个辐射场。可以获得比传统NeRF更好的视觉质量，而且训练速度加快30倍。本文还提出了一种点剪枝和生长技术，可以逐渐提高几何建模和渲染质量。

介绍了传统体渲染的原理和NeRF中体渲染公式的计算过程