XiaoMi-AI文件搜索系统
World File Search SystemNERFS
LiDAR4D：用于新型时空视图 LiDAR 合成的动态神经场
尽管神经辐射场 (NeRF) 在图像新视图合成 (NVS) 方面取得了成功，但 LiDAR NVS 仍然基本上未被探索。以前的 LiDAR NVS 方法采用了与图像 NVS 方法的简单转变，同时忽略了 LiDAR 点云的动态特性和大规模重建问题。鉴于此，我们提出了 LiDAR4D，这是一个可微分的 LiDAR 专用框架，用于新颖的时空 LiDAR 视图合成。考虑到稀疏性和大规模特性，我们设计了一种结合多平面和网格特征的 4D 混合表示，以由粗到细的方式实现有效重建。此外，我们引入了从点云衍生的几何约束来提高时间一致性。对于 LiDAR 点云的真实合成，我们结合了光线丢弃概率的全局优化来保留跨区域模式。在 KITTI-360 和 NuScenes 数据集上进行的大量实验证明了我们的方法在实现几何感知和时间一致的动态重建方面具有优越性。代码可在 https://github.com/ispc-lab/LiDAR4D 获得。
autonerf：用自主代理培训隐性场景表示
摘要 - 隐式表示，例如神经辐射场（NERF），可以通过连续的神经功能在3D场景中绘制颜色，密度和语义。但是，这些模型通常需要手动和仔细的人类数据收集进行培训。本文解决了自主nerf构造的主动探索问题。我们研究代理如何学会有效地探索未知的3D环境，以便在自主性过程中收集的数据能够学习高质量的神经隐式图表示。在四个与机器人相关的下游任务上评估了所学代表的质量：经典的观点渲染，地图重建，计划和姿势改进。我们比较了不同的探索策略的影响，包括基于前沿的基于基础和学习的方法（端到端和模块化）以及针对此问题量身定制的不同奖励功能。经验结果表明，可以使用在看不见的环境中使用一集经验对积极收集的数据进行培训，并且Autonerf是一种经过加固学习训练的模块化勘探策略，使得获得了高质量的NERF，以获得高质量的NERF，以实现经过考虑的下游机器人任务。最后，我们证明，使用Autonerf可以将代理部署到以前未知的场景中，然后通过通过勘探，重建和策略填充的循环来适应场景来自动改善其导航性能。
NAVMC 5239.1（有担保）
b。根据DON关于Genai（Ref P）的开发和使用的指导，“人工智能”（AI）是指基于机器的系统，能够根据人为定义的目标做出预测，建议或决策，以影响实际或虚拟环境。这些系统将机器和人类生成的输入都集成到感知环境，通过自动分析将这些感知抽象成模型，并利用模型推断来生成信息或操作的选项。“生成人工智能”的定义与包含一类AI模型的顺序相同，旨在模拟输入数据的结构和特征，以创建合成内容，包括但不限于图像，视频，音频和文本。genai由独立生成新内容的许多不同类别，模型和产品组成。这些先进的AI算法具有向用户提示提供人类响应的非凡能力，利用了培训的大量数据集。出于本备忘录的目的，genai包括参考“国防部（DOD）指南（DOD）指南和护栏的风险，以告知生成性人工智能的治理”，其中包括单模式或多模式的llms，llms，生成的敌方网络（gans），神经范围（gans）的变化（gans）（gans）的变化（gans）（gans）的变化。自动编码器（VAE）。
![arxiv：2212.01672v1 [cs.cv] 2022年12月3日](/simg/g:\will\search\icon\source\c\cc26ee16c78484b3826d3737f4bd2bdf2a9d3447.webp)
arxiv：2212.01672v1 [cs.cv] 2022年12月3日
摘要。这项工作的目的是介绍Marf，这是一项新颖的框架，能够使用Rover摄影机中的几种图像来合成火星环境。这个想法是生成火星表面的3D场景，以应对行星表面探索中的关键挑战，例如：行星地质，模拟导航和形状分析。尽管存在不同的方法来启用火星表面的3D重建，但它们依靠经典的计算机图形技术在重建过程中会产生大量计算资源，并且具有限制，并限制了重建以未见的场景并适应来自Rover Cameras的新图像。提出的框架通过利用神经辐射场（NERFS）来解决上述局限性，该方法通过使用一组稀疏的图像来优化连续的体积场景函数来合成复杂场景。为了加快学习过程的速度，我们用其神经图形图（NGP）替换了一组稀疏的漫游者图像，这是一组固定长度的vectors，这些vectors vectors vectors seal seal seal the vectors seal seal the venter thement Lengus的vectors seal seal theck in thecks of固定长度的vecters vecters the替换了以明显较小的尺寸保留原始图像的信息。在实验部分中，我们演示了由好奇的漫游者，持久漫游者和Ingenity直升机限制的实际火星数据集创建的环境，所有这些都在行星数据系统（PDS）上可用。
![arxiv：2411.12168v2 [CS.CV] 2024年11月22日](/simg/g:\will\search\icon\source\0\0e5463a0d0a9c4f6edba8a03501a175064b7dc4a.webp)
arxiv：2411.12168v2 [CS.CV] 2024年11月22日
高斯脱落（GS）[16]，它比以前的方法具有出色的实时小说视图渲染能力和更好的光真逼真的重构。与其他几何表示类似，例如NERF [24]和三角形网格，提出了各种对照机械的编辑GS，例如文本提示[4，5，34，35]和视频先验[20，28]。不幸的是，这些类型的控件设计用于广泛的高级编辑（在新手用户的功能中），而无需对变形进行细粒度的控制。另一方面，已经对更直接，几何编辑进行了一些研究，例如通过基于物理的模拟[37] - 这再次提供了有限的编辑capabilies。提供细粒几何控制的问题在于GS表示，该表示由不同3D高斯的非结构化阵列组成，当时，当散布到2D画布上时，其凝聚力形成视觉效果。这通常会导致不同的gaus -sian之间的全球依赖性 - 改变了一个人的位置，场景的合理性被破坏了。因此，很难提供执行本地编辑的能力，同时保持所得视觉效果的完整性。为了解决这些问题，在这项工作中，我们介绍了第一个草图引导的3D GS变形系统，该系统使用户能够与对象的简单2D草图进行直观的互动，并诱导Gaus-Sians的3D变形。2）Seman-为了实现这一目标，我们提出了几个技术争议：1）几何形式，以确保对所产生的变形受到调节，我们提出了基于基于笼子的变形的GS的新型变形框架，而基于笼子的变形，这反过来又由变形雅各布人[1]。