神经辐射场是一种有效和简单的技术,通过优化底层连续体辐射场,通过(非卷积)神经网络参数化,来合成复杂场景的逼真新视图。我将讨论和回顾NeRF,然后介绍与它密切相关的两个工作:首先,我将解释为什么NeRF(和其他类似CPPN的架构,从低维坐标映射到强度)严重依赖于三角“位置编码”的使用,辅以神经切线内核文献提供的见解。其次,我将展示如何将NeRF扩展为包含关于遮挡器和外观变化的显式推理,从而能够仅使用非结构化图像集合实现逼真的视图合成和光度操纵。

http://cs231n.stanford.edu/slides/2021/guest_lecture_16.pdf

成为VIP会员查看完整内容
72

相关内容

【图与几何深度学习】Graph and geometric deep learning,49页ppt
【Google】梯度下降,48页ppt
专知会员服务
80+阅读 · 2020年12月5日
Google最新《机器学习对偶性》报告,48页ppt
专知会员服务
35+阅读 · 2020年11月29日
不可错过!CMU《深度学习导论》2020课程,附课件与视频
专知会员服务
79+阅读 · 2020年10月27日
最新【深度生成模型】Deep Generative Models,104页ppt
专知会员服务
69+阅读 · 2020年10月24日
少标签数据学习,54页ppt
专知会员服务
196+阅读 · 2020年5月22日
【NeurIPS 2019的主要趋势】Key trends from NeurIPS 2019
专知会员服务
11+阅读 · 2019年12月19日
图神经网络(Graph Neural Networks,GNN)综述
极市平台
104+阅读 · 2019年11月27日
Graph Neural Networks 综述
计算机视觉life
29+阅读 · 2019年8月13日
万字长文带你看尽深度学习中的各种卷积网络
AI科技评论
11+阅读 · 2019年2月19日
深度 | 图像语义分割的工作原理和CNN架构变迁
机器之心
9+阅读 · 2018年6月13日
Arxiv
0+阅读 · 2021年7月16日
Arxiv
49+阅读 · 2020年12月16日
Geometric Graph Convolutional Neural Networks
Arxiv
10+阅读 · 2019年9月11日
VIP会员
相关主题
相关VIP内容
【图与几何深度学习】Graph and geometric deep learning,49页ppt
【Google】梯度下降,48页ppt
专知会员服务
80+阅读 · 2020年12月5日
Google最新《机器学习对偶性》报告,48页ppt
专知会员服务
35+阅读 · 2020年11月29日
不可错过!CMU《深度学习导论》2020课程,附课件与视频
专知会员服务
79+阅读 · 2020年10月27日
最新【深度生成模型】Deep Generative Models,104页ppt
专知会员服务
69+阅读 · 2020年10月24日
少标签数据学习,54页ppt
专知会员服务
196+阅读 · 2020年5月22日
【NeurIPS 2019的主要趋势】Key trends from NeurIPS 2019
专知会员服务
11+阅读 · 2019年12月19日
微信扫码咨询专知VIP会员