DPA-Net: 通过可区分的原始装配从稀疏视角实现的结构化 3D 抽象

本研究提出了一种基于多视角立体网络和深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的BRDF。

通过最小化光度误差优化多视角反射率网络的潜在空间，实现了从稀疏数据中重建高质量物体并渲染真实图像。

研究中使用隐式密度场作为图像的几何场景表示，能够在单个前向传递中预测场景表示，并进行体积渲染。

引入物体场组件和反向查询算法，解决物体碰撞和视觉遮挡问题，能够准确分解和操作3D场景。

利用多模态数据结合深度学习模型进行密集三维重建，提高自动驾驶中的标注验证和数据扩充效果。

提出了一种表示动态物体的方法，使用3D体积表示法，表现出更好的图像质量，为高分辨率应用提供新方法。

通过几何编码体积和超网络，采用有符号距离函数作为表面表示，克服现有方法在泛化和一致性方面的局限性。

提出的Hyper-VolTran方法避免了场景特定优化的瓶颈，保持从多个视点生成图像的一致性。

研究表明，基于RGB-D数据的辐射场密集建图和跟踪任务实现了优于竞争神经网络方法的最新成果。