小熊哥哥的博客

HyperDiffusion 旨在解决现有隐式神经辐射场表示方法（例如，使用多层感知机MLP表示）需要对模型参数进行逐个优化，导致生成速度慢且效率低下的问题。跟这个论文差别大吗？不大，整体的优化策略不一样，hyperdiffusion实际上只有3d级别的监督，diffrf是2d+3d。无需迭代优化: HyperDiffusion 直接从噪声中生成神经网络的权重参数，无需任何耗时的迭代优化过程。通过这种方式，HyperDiffusion能够直接从噪声中生成高质量的三维模型，无需任何耗时的优化步骤。

具体来说，DiffRF首先通过一个预训练的扩散模型生成辐射场的初始表示，然后利用渲染图像作为监督信息，通过迭代的扩散过程对辐射场进行细化，最终生成高质量的三维辐射场。它将渲染图像作为扩散过程的指导信息，利用渲染图像与目标图像之间的差异来驱动扩散过程，从而有效地控制生成过程，减少噪声，并提高生成质量。它利用渲染图像作为扩散过程的指导，通过迭代细化辐射场表示来生成高质量的三维模型。DiffRF 利用预训练的扩散模型生成辐射场的初始表示，为后续的扩散过程提供了一个良好的起点，提高了生成效率和稳定性。

NeRF 引导的三维扩散细化: 然后，利用一个新颖的 NeRF 引导的三维扩散框架，对初始 NeRF 进行细化。这个框架通过将 CDM 的输出与 NeRF 的渲染结果进行比较，迭代地更新 NeRF 参数，从而生成更精确、更细节丰富的三维场景。NerfDiff 引入了一种新颖的几何约束NeRF(Geo-constrained NeRF)，该方法利用三维扩散模型的输出引导NeRF参数的更新，从而有效地解决三维扩散模型中几何形状不一致的问题。NerfDiff 巧妙地结合了。本文提出了一种新颖的单。

3D 生成重建031-One-2-3-45多视图+Neus生成3D。

3D 生成重建023-DMV3D用扩散模型做3D生成大模型。

3D 生成重建021-LRM基于大模型的生成式3D生成模型。

3D 生成重建019-LERF用文本在Nerf中开启上帝之眼。

在 SA3D (Segment Anything in 3D) 方法中，自我提示（Self-Prompting） 是一种关键的技术，用来通过多视角的迭代过程生成三维掩膜。具体来说，自我提示的实现过程可以分为以下几个步骤：初始二维掩膜生成：1、给定一个视角中的目标物体，用户提供一个手动的粗略分割提示（例如一些粗略的点或框）。使用 SAM（Segment Anything Model）对这个视角中的物体进行分割，生成一个二维掩膜（mask）。2、掩膜反向渲染。