虽然神经辐射场(NERF)已经证明了令人印象深刻的视图合成结果对物体和小型空间区域的结果,但它们在“无界”场景上挣扎,其中相机可以在任何方向上点,并且内容在任何距离处都存在。在此设置中,现有的形式的类似形式模型通常会产生模糊或低分辨率渲染(由于附近和远处物体的不平衡细节和规模),慢慢训练,并且由于任务的固有歧义而可能表现出伪影从一小部分图像重建大场景。我们介绍了MIP-NERF(一个NERF变体,用于解决采样和混叠的NERF变体),其使用非线性场景参数化,在线蒸馏和基于新的失真的常规程序来克服无限性场景所呈现的挑战。我们的模型,我们将“MIP-NERF 360”为瞄准相机围绕一点旋转360度的瞄准场景,与MIP NERF相比将平均平方误差减少54%,并且能够产生逼真的合成视图和用于高度复杂,无限性的现实景区的详细深度图。
translated by 谷歌翻译
我们介绍了一个自下而上的模型,用于同时在图像中找到许多边界元素,包括轮廓,角落和结。该模型在每个小贴片中使用包括M角度和自由移动顶点的“广义M-结”解释了每个小贴片中的边界形状。使用非凸优化进行分析图像,以在每个位置协同地发现M + 2个结值,其新颖的常规器强制强制执行,这些规则器在保持曲率的同时保持曲率和结。由此产生的“结区”同时是轮廓检测器,角/结检测器,以及区域外观的边界意识平滑。值得注意的是,其统一分析轮廓,角落,连接和均匀区域允许它在高噪声水平上成功,其中用于分割和边界检测的其他方法失败。
translated by 谷歌翻译
我们提出了一种充分的条件,可以从平坦纹理过程的未知正交投影中恢复独特的纹理和观点。我们表明四个观察一般都足够了,我们表征了模糊的案件。结果适用于纹理和基于纹理的结构的形状。
translated by 谷歌翻译