MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016932464
■00520240214100501
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380879279
■035    ▼a(MiAaPQ)AAI30492937
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aTancik,  Matthew.
■24510▼aObject  and  Scene  Reconstruction  Using  Neural  Radiance  Fields▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(116  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-06,  Section:  B.
■500    ▼aAdvisor:  Kanazawa,  Angjoo;Ng,  Ren.
■5021  ▼aThesis  (D.Eng.)--University  of  California,  Berkeley,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  dissertation  explores  the  synthesis  of  novel  views  of  complex  scenes  through  the  optimization  of  a  volumetric  scene  function  using  a  sparse  set  of  input  views.  Our  approach  represents  the  scene  as  a  neural  radiance  field  (NeRF),  a  field  of  densities  and  emitted  radiance  based  on  5D  coordinates  encompassing  spatial  location  (x,  y,  z)  and  viewing  direction  (θ,  φ).  NeRF  enables  the  rendering  of  photorealistic  novel  views  that  surpass  previous  techniques,  leading  to  numerous  follow-ups  and  extensions  in  the  computer  vision  and  graphics  communities.  To  enhance  the  representation  of  high-frequency  details  in  NeRFs,  we  introduce  a  Fourier  feature  mapping  technique  that  effectively  learns  high-frequency  functions  within  low-dimensional  problem  domains,  including  NeRF.  We  demonstrate  the  benefits  of  leveraging  learned  initial  weight  parameters  through  standard  meta-learning  algorithms,  resulting  in  accelerated  convergence,  stronger  priors,  and  improved  generalization  for  coordinate-based  networks.  In  addition,  we  improve  the  scalability  of  NeRFs  with  a  proposed  method  capable  of  representing  arbitrarily  large  scenes.  This  method  enables  city-scale  reconstructions  using  data  captured  under  diverse  environmental  conditions.  Finally,  we  present  the  Nerfstudio  framework,  a  comprehensive  suite  of  modular  components  and  tools  designed  for  the  development  and  deployment  of  NeRF-based  methods.  This  framework  empowers  researchers  and  practitioners  with  real-time  visualization,  streamlined  data  pipelines,  and  export  capabilities,  facilitating  the  democratization  of  NeRFs  and  extending  their  impact  beyond  research  settings.  With  their  potential  to  transform  computer  graphics,  virtual  reality,  augmented  reality,  and  other  domains,  NeRFs  hold  promise  for  revolutionizing  the  way  we  perceive  and  interact  with  digital  worlds.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science.
■650  4▼aComputer  engineering.
■650  4▼aInformation  technology.
■653    ▼aScene  reconstruction
■653    ▼aObject
■653    ▼aNeural  radiance  field
■653    ▼aSpatial  location
■653    ▼aNerfstudio
■690    ▼a0984
■690    ▼a0489
■690    ▼a0464
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-06B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aD.Eng.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932464▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books