CV - 计算机视觉 | ML - 机器学习 | RL - 强化学习 | NLP 自然语言处理
点击下方卡片，关注「AiCharm」公众号
Subjects: cs.CV
1.Neural Impostor: Editing Neural Radiance Fields with Explicit Shape Manipulation
标题：神经冒名顶替者：通过显式形状操作编辑神经辐射场
作者：Ruiyang Liu, Jinxu Xiang, Bowen Zhao, Ran Zhang, Jingyi Yu, Changxi Zheng
文章链接：https://arxiv.org/abs/2310.05391
项目代码：https://rl-at-scale.github.io/
摘要：
神经辐射场 (NeRF) 显着促进了高度逼真且富有表现力的 3D 场景的生成。然而，编辑 NeRF 的任务，特别是在几何修改方面，提出了重大挑战。这个问题阻碍了 NeRF 在各种应用程序中的更广泛采用。为了解决有效编辑神经隐式场的问题，我们引入了 Neural Impostor，这是一种混合表示，将显式四面体网格与为显式网格内的每个四面体指定的多重网格隐式场结合在一起。我们的框架通过利用多重网格重心坐标编码，将显式形状操作和隐式场的几何编辑联系起来，从而提供了一种实用的解决方案来变形、合成和生成神经隐式场，同时保持复杂的体积外观。此外，我们提出了一种基于一组显式几何编辑操作来编辑神经隐式场的综合管道。我们通过各种示例和实验展示了我们系统的稳健性和适应性，包括编辑合成对象和真实捕获的数据。最后，我们演示了利用各种编辑操作的混合合成捕获对象的创作过程，强调了 Neural Impostor 在 3D 内容创建和操作领域的变革潜力。
2.Colmap-PCD: An Open-source Tool for Fine Image-to-point cloud Registration
标题：Colmap-PCD：用于精细图像到点云配准的开源工具
作者：Chunge Bai, Ruijie Fu, Xiang Gao
文章链接：https://arxiv.org/abs/2310.05504
摘要：
先进的单目相机重建技术主要依赖于运动结构 (SfM) 管道。然而，此类方法通常会产生缺乏关键尺度信息的重建结果，并且随着时间的推移，图像的积累会导致不可避免的漂移问题。相比之下，基于激光雷达扫描的测绘方法由于其精确的距离测量而在大规模城市场景重建中很受欢迎，而基于视觉的方法基本上不具备这种能力。研究人员尝试利用并行激光雷达和相机测量来追求测绘结果中的精确缩放和颜色细节。然而，结果受到外部校准和时间同步精度的影响。在本文中，我们提出了一种新颖的具有成本效益的重建流程，它利用预先建立的激光雷达地图作为固定约束，以有效解决单目相机重建中存在的固有规模挑战。据我们所知，我们的方法是第一个将图像注册到点云地图上，而不需要同步捕获相机和激光雷达数据的方法，使我们能够灵活地管理各个感兴趣领域的重建细节级别。为了促进该领域的进一步研究，我们发布了 Colmap-PCD ，这是一个利用 Colmap 算法的开源工具，可以将图像精确地精细配准到点云地图。
3.HI-SLAM: Monocular Real-time Dense Mapping with Hybrid Implicit Fields
标题：HI-SLAM：具有混合隐式场的单目实时密集建图
作者：Wei Zhang, Tiecheng Sun, Sen Wang, Qing Cheng, Norbert Haala
文章链接：https://arxiv.org/abs/2310.04787
摘要：
在这封信中，我们提出了一种基于神经场的实时单目建图框架，用于精确和密集的同步定位和建图（SLAM）。最近的神经映射框架显示出有希望的结果，但依赖于 RGB-D 或姿势输入，或者无法实时运行。为了解决这些限制，我们的方法将密集 SLAM 与神经隐式场相结合。具体来说，我们的密集 SLAM 方法运行并行跟踪和全局优化，而基于神经场的地图是根据最新的 SLAM 估计增量构建的。为了有效构建神经场，我们采用多分辨率网格编码和符号距离函数（SDF）表示。这使我们能够使地图始终保持最新状态，并通过循环关闭立即适应全局更新。为了实现全局一致性，我们提出了一种高效的基于 Sim(3) 的位姿图捆绑调整（PGBA）方法来运行在线循环闭合并减轻位姿和尺度漂移。为了进一步提高深度精度，我们结合了学习的单目深度先验。我们提出了一种新颖的联合深度和尺度调整（JDSA）模块来解决深度先验中固有的尺度模糊性。对合成数据集和真实数据集的广泛评估验证了我们的方法在准确性和地图完整性方面优于现有方法，同时保持了实时性能。
