- Accuracy 重建的模型精度不好,影响因素:
- 数据集质量:照片拍摄质量(设备)、相机位姿估计精度(COLMAP)
- 照片质量问题:混叠、模糊、滚动快门 (RS) 效应、HDR/LDR、运动模糊、低光照
- NeuS方法的问题:Loss函数约束、体渲染的过度简化、缺少监督(深度or法向量)
- 网格提取方法(Marching Cube)
- 数据集质量:照片拍摄质量(设备)、相机位姿估计精度(COLMAP)
- Efficiency 训练/渲染的速度太慢,影响因素:
- MLP计算次数多 —> MIMO MLP、NGP-RT、
- MLP层数多计算慢—> InstantNGP
Data Analysis
sklearn | numpy | pandas
seaborn | matplotlib
Code of Multi-view 3D Reconstruction based on SDF and volume rendering
论文代码复现(Linux OS)
Learning-based Multi-View Stereo: A Survey
Title | Learning-based Multi-View Stereo A Survey |
---|---|
Author | Fangjinhua Wang†, Qingtian Zhu, Di Chang*, Quankai Gao, Junlin Han, Tong Zhang, Richard Hartley, Fellow, IEEE, Marc Pollefeys, Fellow, IEEE |
Conf/Jour | |
Year | 2024 |
Project | |
Paper | Learning-based Multi-View Stereo: A Survey |
Visualize Interval uncertainty quantification metrics
使用Pygame可视化区间UQ指标
Finite Element Model 3D Reconstruction
通过多视图三维重建获得三维模型,用于有限元分析/工业设计指导
Unpack Game File (Snowbreak)
Anime Image 3D Reconstruction
Loss Functions
Loss Functions and Metrics in Deep Learning 这篇Review中提到的loss函数比较全面
Loss Functions vs. Performance Metrics
损失函数在训练过程中用于优化模型参数。它衡量的是模型预测输出与预期输出之间的差值,而训练的目标就是尽量减小这一差值。(可微)
性能指标用于评估训练后的模型。它衡量的是模型对新数据的泛化程度以及预测的准确性。性能指标还可以对不同的模型或配置进行比较,以确定性能最佳的模型或配置。(不需要可微)
Finite Element Learning Note
Basic of Finite Element Analysis