MARC

 008260126s2025        us                              c    eng  d
■001000017357855
■00520260202103609
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862502
■035    ▼a(MiAaPQ)AAI32043045
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aLi,  Ruilong.
■24510▼aEfficient  3D  Perception  From  Images
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a74  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Kanazawa,  Angjoo.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aThe  ability  to  capture,  reconstruct,  and  interact  with  the  world  in  three  dimensions  is  transforming  how  we  experience,  understand,  and  shape  our  environment.  From  virtual  reality  and  digital  heritage  to  robotics  and  scientific  discovery,  3D  perception  is  opening  new  frontiers  across  art,  science,  and  technology.  Yet,  despite  remarkable  progress,  creating  high-fidelity  3D  models  from  images  remains  a  computationally  demanding  challenge-one  that  limits  the  accessibility  and  scalability  of  these  powerful  tools.This  thesis  addresses  the  core  bottleneck  of  efficiency  in  differentiable  volume  rendering,  a  foundational  technique  behind  recent  breakthroughs  such  as  Neural  Radiance  Fields  (NeRF)  and  Gaussian  Splatting.  While  these  methods  have  demonstrated  that  continuous  volumetric  representations  and  differentiable  rendering  pipelines  can  achieve  photorealistic  results  from  sparse  or  unconstrained  inputs,  their  high  computational  and  memory  costs  pose  significant  barriers  to  real-time  and  large-scale  applications.To  overcome  these  challenges,  I  present  a  series  of  algorithmic  and  systems-level  innovations  aimed  at  making  3D  perception  faster,  more  scalable,  and  more  practical.  First,  I  introduce  compact  and  expressive  scene  representations  that  reduce  memory  overhead  without  sacrificing  quality.  Second,  I  develop  smarter  sampling  and  visibility  strategies  that  exploit  the  inherent  sparsity  of  3D  space,  focusing  computation  where  it  matters  most.  Third,  I  design  parallelization  techniques  tailored  for  modern  multi-GPU  systems,  enabling  distributed  training  and  rendering  at  unprecedented  scales.  Finally,  I  explore  learning-based  approaches  that  leverage  multi-view  geometry  and  attention  mechanisms  to  further  accelerate  and  generalize  3D  perception.Through  a  combination  of  theoretical  insights,  open-source  tools,  and  empirical  validation,  this  work  charts  a  path  toward  real-time,  high-resolution  3D  reconstruction  that  is  accessible  beyond  specialized  labs  and  supercomputers.  By  making  3D  perception  more  efficient,  this  thesis  aims  to  unlock  new  possibilities  and  bring  us  closer  to  a  future  where  anyone  can  capture,  share,  and  explore  the  spaces  they  love  in  all  their  depth  and  richness.
■590    ▼aSchool  code:  0028.
■650  4▼aEngineering
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼a3D  perception
■653    ▼aDeep  learning
■653    ▼aNeural  rendering
■653    ▼aReconstruction
■653    ▼aNeural  Radiance  Fields
■690    ▼a0800
■690    ▼a0489
■690    ▼a0984
■690    ▼a0537
■71020▼aUniversity  of  California,  Berkeley▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357855▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서