تقسیم بندی گاوسی سه بعدی با هدایت دوبعدی و بدون زحمت: تنظیمات، نتایج و فرسایش

نویسندگان:

(1) کان لان، دانشگاه علم و صنعت چین؛

(2) هائوران لی، دانشگاه علم و صنعت چین؛

(3) هائولین شی، دانشگاه علم و صنعت چین.

(4) Wenjun Wu، دانشگاه علم و صنعت چین.

(5) یونگ لیائو، دانشگاه علم و صنعت چین؛

(6) Lin Wang، AI Thrust، HKUST (GZ)؛

(7) پنگیوان ژو، دانشگاه علم و صنعت چین.

چکیده و 1. مقدمه

2. کارهای مرتبط

3. روش و 3.1. رندر مبتنی بر نقطه و یادگیری معنایی اطلاعات

3.2. خوشه بندی گاوسی و 3.3. فیلتر گاوسی

4. آزمایش کنید

4.1. تنظیمات، 4.2. نتیجه و 4.3. ابلیشن

5. نتیجه گیری و مراجع

4. آزمایش کنید

4.1. تنظیمات

به دلیل کمیاب بودن روش های تقسیم بندی گاوسی سه بعدی و فقدان کد منبع باز برای گروه بندی گوسی [7] و SAGA [8]، ما روش خود را با روش های تقسیم بندی NeRF قبلی مقایسه کردیم [10]. برای این منظور، مجموعه داده‌های معروف NeRF را برای آزمایش‌های خود انتخاب کردیم، از جمله LLFF [24]NeRF-360 [5]و Mip-NeRF 360 [25].

شکل 4. نتایج ابلیشن.  (الف) نقطه مرکزی گاوسی قطعه‌بندی شده است، (ب) نتیجه تقسیم‌بندی اصلی بدون KNN یا فیلتر است، (ج) نتیجه بعد از KNN است، و (د) نتیجه نهایی با KNN و فیلتر است.شکل 4. نتایج ابلیشن.  (الف) نقطه مرکزی گاوسی قطعه‌بندی شده است، (ب) نتیجه تقسیم‌بندی اصلی بدون KNN یا فیلتر است، (ج) نتیجه بعد از KNN است، و (د) نتیجه نهایی با KNN و فیلتر است.

هر دو LLFF و NeRF-360 بر روی اشیاء در صحنه متمرکز هستند، با این تفاوت که زاویه دید دوربین اولی در محدوده کوچکی متفاوت است، در حالی که دومی شامل یک تصویر 360 درجه در اطراف جسم است. Mip-NeRF 360 دارای یک…

Source link