我觉得你的思考都很准确,本质上就是mvs和nerf的区别(mvsnet还是在mvs框架下),从宏观来看mvs是完全可泛化的算法,这是因为它基于特征匹配;而nerf主要是通过过拟合一个场景的全部视角图片。 关于问题: ● NeRF的变种NeuS系列可以重建出非常不错的mesh,改进算法的效果也让我很惊艳,对于小场景比如DTU这种NeuS的强过拟合...
应用场景有何不同? 分享一个来自「3D视觉从入门到精通」知识星球的知识问答: 请问,MVSnet、NeRF、3DGS除了原理,最本质的区别是什么?应用场景有何不同? 谢谢大家。 星球嘉宾的回答如下: 欢迎小伙伴在评论区留言讨论。
Codes of MVSFormer++: Revealing the Devil in Transformer’s Details for Multi-View Stereo (ICLR2024) - MVSFormerPlusPlus/nerf2mvsnet.py at main · maybeLx/MVSFormerPlusPlus
传统方法: Implicit Field, Poisson surface reconstruction. 近年来有deep implicit field,应用深度学习的方法。以上是构建dense triangle mesh的三维模型。还有一个子任务是构建piecewise planar的三维模型。可以查看Polyfit (2017, Nan & Wonka)以及后续文章.3. 图片到三维模型Nerf除了可以渲染新视角的图片,还能用来重建...
我觉得你的思考都很准确,本质上就是mvs和nerf的区别(mvsnet还是在mvs框架下),从宏观来看mvs是完全可泛化的算法,这是因为它基于特征匹配;而nerf主要是通过过拟合一个场景的全部视角图片。 关于问题: ● NeRF的变种NeuS系列可以重建出非常不错的mesh,改进算法的效果也让我很惊艳,对于小场景比如DTU这种NeuS的强过拟合...
MVSNet系列主要是通过深度学习pipeline得到深度图进行融合,目的是得到高精度的点云。 Nerf系列是得到一个“输入特定视角->输出对应渲染图像”的隐式三维模型,导致单个模型训练后缺乏泛化性能。 问题: NeRF系列似乎也有更进一步的重建出点云和mesh的工作,以及在泛化性上做增强的工作,相比MVSNet系列的精度哪个更好? Nerf系...