


Nota kajian NeRF yang mesti dimiliki oleh pemula memberikan pandangan tentang segala-galanya!
Apakah sebenarnya medan sinaran saraf?
Medan sinaran: Pengagihan tenaga yang terbentuk semasa perambatan dan pantulan cahaya yang dipancarkan oleh sumber cahaya di tempat kejadian. Dalam istilah orang awam, ia adalah fungsi yang merekodkan maklumat sinaran dalam arah tertentu di lokasi tertentu dalam ruang Maklumat sinaran (atau pengedaran tenaga) sebenarnya adalah warna, kecerahan, bayang-bayang dan maklumat lain. Arah di sini memerlukan perhatian tambahan, ia adalah salah satu faktor penting untuk NeRF mencapai pembinaan semula sebenar!
Ini membawa kepada konsep medan sinaran saraf.
Medan sinaran saraf: Gunakan rangkaian saraf untuk menyimpan ruangkedudukanradiasi dalam sebarang arah. Penerangan dalam artikel asal adalah seperti berikut:
Formula yang lebih piawai dinyatakan seperti berikut:
Masukkan kedudukan 3D (x, y, z) dan arah tontonan 2D (), dan outputnya ialah ketumpatan warna dan volum
NeRF Keputusan rangkaian khusus merujuk kepada teks asal seperti berikut:
- Input x koordinat 3D ke dalam rangkaian pertama fσ, termasuk 8 lapisan bersambung sepenuhnya, 256 neuron setiap lapisan, pengaktifan ReLU; Rangkaian fσ mengeluarkan ketumpatan volum σ dan A vektor 256 dimensi, yang dihantar ke fc (satu lapisan, 128 saluran, pengaktifan ReLU) dengan arah tontonan d untuk meramalkan RGB
kaedah tontonanatau kaedah rendering ini dipanggil rendering volum.
Sebelum melihat pemaparan volum. Mari kita lihat dahulu kesan rangkaian:Teras NeRF: pemaparan volum
Mari kita masukkan titik teras kedua NeRF - pemaparan volum. Penyampaian volum ialah kaedah yang digunakan untuk menjadikan warna dan ketumpatan kepada imej 2D!- Pancarkan sinar yang menembusi setiap piksel dari pusat optik kamera, dan ambil titik pensampelan tiga dimensi pada sinar
- Hantar titik pensampelan; koordinat dan arah sudut pandangan ke dalam MLP mengira ketumpatan warna dan kelantangan;
- menyepadukan (tindanan) maklumat warna mengikut ketumpatan volum untuk membentuk imej 2D
sudah tentu, versi diskret formula sebenarnya digunakan:
Selepas bercakap tentang medan sinaran saraf dan rendering volum, kini kami memulakan proses pembinaan semula yang lengkap~
Sebelum selesai, membentuk saluran paip masih terdapat dua masalah yang perlu diselesaikan:
Untuk menyelesaikan dua masalah di atas, NeRF mencadangkan pengekodan kedudukan dan proses persampelan berstrata
Pengekodan kedudukan:
Kertas secara intuitif menunjukkan perbandingan kesan pengekodan kedudukan:
Dapat dilihat bahawa tanpa pengekodan kedudukan, model tidak dapat menyatakan maklumat geometri dan tekstur frekuensi tinggi~
Penggunaan berbilang lapisan:
Proses latihan adalah seperti berikut:
eksperimen dan ringkasan
Petunjuk penilaian:
Tetapan eksperimen:
Hasil eksperimen dapat dilihat bahawa astigmatisme pada bola pelbagai bahan juga boleh diungkapkan dengan baik~
Percubaan ablasi :
Ringkasan
Medan sinaran saraf yang dicadangkan dalam artikel ini memancarkan sinar pensampelan melalui piksel dari pusat optik kamera, memilih titik pada sinar, menggunakan MLP untuk memetakan kedudukan tiga dimensinya dan melihat arah kepada ketumpatan volum dan warna, dan kemudian tindanan pemaparan volum mensampel ketumpatan volum dan warna pada sinar untuk mendapatkan nilai piksel. Ralat antara nilai piksel dan imej GT dikira dan kemudian disebarkan kembali untuk mengoptimumkan parameter MLP. Makalah ini menggunakan kaedah pembinaan semula tersirat untuk mencapai pembinaan semula model fotorealistik dan rendering.
- Kecacatan:
- Perlahan rendering dan kelajuan latihan;
- keperluan tinggi pada bilangan dan pengedaran tontonan
Atas ialah kandungan terperinci Nota kajian NeRF yang mesti dimiliki oleh pemula memberikan pandangan tentang segala-galanya!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Ditulis di atas & pemahaman peribadi pengarang Gaussiansplatting tiga dimensi (3DGS) ialah teknologi transformatif yang telah muncul dalam bidang medan sinaran eksplisit dan grafik komputer dalam beberapa tahun kebelakangan ini. Kaedah inovatif ini dicirikan oleh penggunaan berjuta-juta Gaussians 3D, yang sangat berbeza daripada kaedah medan sinaran saraf (NeRF), yang terutamanya menggunakan model berasaskan koordinat tersirat untuk memetakan koordinat spatial kepada nilai piksel. Dengan perwakilan adegan yang eksplisit dan algoritma pemaparan yang boleh dibezakan, 3DGS bukan sahaja menjamin keupayaan pemaparan masa nyata, tetapi juga memperkenalkan tahap kawalan dan pengeditan adegan yang tidak pernah berlaku sebelum ini. Ini meletakkan 3DGS sebagai penukar permainan yang berpotensi untuk pembinaan semula dan perwakilan 3D generasi akan datang. Untuk tujuan ini, kami menyediakan gambaran keseluruhan sistematik tentang perkembangan dan kebimbangan terkini dalam bidang 3DGS buat kali pertama.

Semalam semasa temu bual, saya telah ditanya sama ada saya telah membuat sebarang soalan berkaitan ekor panjang, jadi saya fikir saya akan memberikan ringkasan ringkas. Masalah ekor panjang pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi, iaitu, kemungkinan senario dengan kebarangkalian yang rendah untuk berlaku. Masalah ekor panjang yang dirasakan adalah salah satu sebab utama yang kini mengehadkan domain reka bentuk pengendalian kenderaan autonomi pintar satu kenderaan. Seni bina asas dan kebanyakan isu teknikal pemanduan autonomi telah diselesaikan, dan baki 5% masalah ekor panjang secara beransur-ansur menjadi kunci untuk menyekat pembangunan pemanduan autonomi. Masalah ini termasuk pelbagai senario yang berpecah-belah, situasi yang melampau dan tingkah laku manusia yang tidak dapat diramalkan. "Ekor panjang" senario tepi dalam pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi (AVs) kes Edge adalah senario yang mungkin dengan kebarangkalian yang rendah untuk berlaku. kejadian yang jarang berlaku ini

0. Ditulis di hadapan&& Pemahaman peribadi bahawa sistem pemanduan autonomi bergantung pada persepsi lanjutan, membuat keputusan dan teknologi kawalan, dengan menggunakan pelbagai penderia (seperti kamera, lidar, radar, dll.) untuk melihat persekitaran sekeliling dan menggunakan algoritma dan model untuk analisis masa nyata dan membuat keputusan. Ini membolehkan kenderaan mengenali papan tanda jalan, mengesan dan menjejaki kenderaan lain, meramalkan tingkah laku pejalan kaki, dsb., dengan itu selamat beroperasi dan menyesuaikan diri dengan persekitaran trafik yang kompleks. Teknologi ini kini menarik perhatian meluas dan dianggap sebagai kawasan pembangunan penting dalam pengangkutan masa depan satu. Tetapi apa yang menyukarkan pemanduan autonomi ialah memikirkan cara membuat kereta itu memahami perkara yang berlaku di sekelilingnya. Ini memerlukan algoritma pengesanan objek tiga dimensi dalam sistem pemanduan autonomi boleh melihat dan menerangkan dengan tepat objek dalam persekitaran sekeliling, termasuk lokasinya,

Kertas StableDiffusion3 akhirnya di sini! Model ini dikeluarkan dua minggu lalu dan menggunakan seni bina DiT (DiffusionTransformer) yang sama seperti Sora. Ia menimbulkan kekecohan apabila ia dikeluarkan. Berbanding dengan versi sebelumnya, kualiti imej yang dijana oleh StableDiffusion3 telah dipertingkatkan dengan ketara Ia kini menyokong gesaan berbilang tema, dan kesan penulisan teks juga telah dipertingkatkan, dan aksara bercelaru tidak lagi muncul. StabilityAI menegaskan bahawa StableDiffusion3 ialah satu siri model dengan saiz parameter antara 800M hingga 8B. Julat parameter ini bermakna model boleh dijalankan terus pada banyak peranti mudah alih, dengan ketara mengurangkan penggunaan AI

Ramalan trajektori memainkan peranan penting dalam pemanduan autonomi Ramalan trajektori pemanduan autonomi merujuk kepada meramalkan trajektori pemanduan masa hadapan kenderaan dengan menganalisis pelbagai data semasa proses pemanduan kenderaan. Sebagai modul teras pemanduan autonomi, kualiti ramalan trajektori adalah penting untuk kawalan perancangan hiliran. Tugas ramalan trajektori mempunyai timbunan teknologi yang kaya dan memerlukan kebiasaan dengan persepsi dinamik/statik pemanduan autonomi, peta ketepatan tinggi, garisan lorong, kemahiran seni bina rangkaian saraf (CNN&GNN&Transformer), dll. Sangat sukar untuk bermula! Ramai peminat berharap untuk memulakan ramalan trajektori secepat mungkin dan mengelakkan perangkap Hari ini saya akan mengambil kira beberapa masalah biasa dan kaedah pembelajaran pengenalan untuk ramalan trajektori! Pengetahuan berkaitan pengenalan 1. Adakah kertas pratonton teratur? A: Tengok survey dulu, hlm

Tajuk asal: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Paper pautan: https://arxiv.org/pdf/2402.02519.pdf Pautan kod: https://github.com/HKUST-Aerial-Robotics/SIMPL Unit pengarang: Universiti Sains Hong Kong dan Teknologi Idea Kertas DJI: Kertas kerja ini mencadangkan garis dasar ramalan pergerakan (SIMPL) yang mudah dan cekap untuk kenderaan autonomi. Berbanding dengan agen-sen tradisional

Ditulis di hadapan & titik permulaan Paradigma hujung ke hujung menggunakan rangka kerja bersatu untuk mencapai pelbagai tugas dalam sistem pemanduan autonomi. Walaupun kesederhanaan dan kejelasan paradigma ini, prestasi kaedah pemanduan autonomi hujung ke hujung pada subtugas masih jauh ketinggalan berbanding kaedah tugasan tunggal. Pada masa yang sama, ciri pandangan mata burung (BEV) padat yang digunakan secara meluas dalam kaedah hujung ke hujung sebelum ini menyukarkan untuk membuat skala kepada lebih banyak modaliti atau tugasan. Paradigma pemanduan autonomi hujung ke hujung (SparseAD) tertumpu carian jarang dicadangkan di sini, di mana carian jarang mewakili sepenuhnya keseluruhan senario pemanduan, termasuk ruang, masa dan tugas, tanpa sebarang perwakilan BEV yang padat. Khususnya, seni bina jarang bersatu direka bentuk untuk kesedaran tugas termasuk pengesanan, penjejakan dan pemetaan dalam talian. Di samping itu, berat

Pada bulan lalu, atas sebab-sebab yang diketahui umum, saya telah mengadakan pertukaran yang sangat intensif dengan pelbagai guru dan rakan sekelas dalam industri. Topik yang tidak dapat dielakkan dalam pertukaran secara semula jadi adalah hujung ke hujung dan Tesla FSDV12 yang popular. Saya ingin mengambil kesempatan ini untuk menyelesaikan beberapa buah fikiran dan pendapat saya pada masa ini untuk rujukan dan perbincangan anda. Bagaimana untuk mentakrifkan sistem pemanduan autonomi hujung ke hujung, dan apakah masalah yang sepatutnya dijangka diselesaikan hujung ke hujung? Menurut definisi yang paling tradisional, sistem hujung ke hujung merujuk kepada sistem yang memasukkan maklumat mentah daripada penderia dan secara langsung mengeluarkan pembolehubah yang membimbangkan tugas. Sebagai contoh, dalam pengecaman imej, CNN boleh dipanggil hujung-ke-hujung berbanding kaedah pengekstrak ciri + pengelas tradisional. Dalam tugas pemanduan autonomi, masukkan data daripada pelbagai penderia (kamera/LiDAR
