論文/代碼速遞2022.11.21！

最新成果demo展示：

ECCV2022|AdaNeRF：自適應(yīng)采樣用于神經(jīng)輻射場(chǎng)實(shí)時(shí)渲染！代碼開(kāi)源

標(biāo)題：AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance Fields

論文：https://arxiv.org/pdf/2207.10312.pdf

代碼：https://github.com/thomasneff/AdaNeRF

摘要： 

最近，通過(guò)直接從稀疏觀測(cè)中學(xué)習(xí)神經(jīng)輻射場(chǎng)，新的視圖合成發(fā)生了革命性的變化。然而，由于體繪制方程的精確求積需要每條射線的大量樣本，因此使用這種新范式繪制圖像的速度很慢。先前的工作主要集中在加快與每個(gè)采樣點(diǎn)相關(guān)聯(lián)的網(wǎng)絡(luò)評(píng)估，例如，通過(guò)將輻射值緩存到顯式空間數(shù)據(jù)結(jié)構(gòu)中，但這是以犧牲模型緊湊性為代價(jià)的。在本文中，我們提出了一種新的雙網(wǎng)絡(luò)架構(gòu)，通過(guò)學(xué)習(xí)如何最佳地減少所需采樣點(diǎn)的數(shù)量，該架構(gòu)采用正交方向。為此，我們將我們的網(wǎng)絡(luò)拆分為一個(gè)采樣和著色網(wǎng)絡(luò)，這些網(wǎng)絡(luò)是聯(lián)合訓(xùn)練的。我們的訓(xùn)練方案沿每條射線采用固定的樣本位置，并在整個(gè)訓(xùn)練過(guò)程中逐步引入稀疏性，以實(shí)現(xiàn)高質(zhì)量，即使在低樣本數(shù)下也是如此。在用目標(biāo)樣本數(shù)進(jìn)行微調(diào)后，可以實(shí)時(shí)呈現(xiàn)得到的緊湊神經(jīng)表示。我們的實(shí)驗(yàn)表明，我們的方法在質(zhì)量和幀速率方面優(yōu)于并發(fā)緊湊神經(jīng)表示，并且與高效混合表示性能相當(dāng)

最新論文整理

   ECCV2022

Updated on : 21 Nov 2022 

total number : 3 

Estimating more camera poses for ego-centric videos is essential for VQ3D

- 論文/Paper: http://arxiv.org/pdf/2211.10284

- 代碼/Code: None

UnconFuse: Avatar Reconstruction from Unconstrained Images

- 論文/Paper: http://arxiv.org/pdf/2211.10098

- 代碼/Code: None

The Runner-up Solution for YouTube-VIS Long Video Challenge 2022

- 論文/Paper: http://arxiv.org/pdf/2211.09973

- 代碼/Code: None

    CVPR2022

   NeurIPS

Updated on : 21 Nov 2022

total number : 3

Look More but Care Less in Video Recognition

• 論文/Paper: http://arxiv.org/pdf/2211.09992

• 代碼/Code: https://github.com/bespontaneous/afnet-pytorch

Ask4Help: Learning to Leverage an Expert for Embodied Tasks

• 論文/Paper: http://arxiv.org/pdf/2211.09960

• 代碼/Code: https://github.com/allenai/ask4help

SAR-based landslide classification pretraining leads to better segmentation

• 論文/Paper: http://arxiv.org/pdf/2211.09927

• 代碼/Code: https://github.com/vmboehm/sar-landslide-detection-pretraining

•