Recent Trends in 3D Reconstruction of General Non-Rigid Scenes

重建真实世界的模型，包括真实场景的三维几何、外观和运动，对于计算机图形学和计算机视觉至关重要。它使得合成逼真的新视角成为可能，这对于电影工业和AR/VR应用非常有用。它还通过避免繁琐的手动设计过程，促进了计算机游戏和AR/VR所需的内容创作。此外，这样的模型对于需要解释真实世界场景和行动以安全地与人类世界互动的智能计算系统来说也是基础。值得注意的是，我们周围的世界是动态的，重建非刚性运动场景的模型是一个严重的约束不足和具有挑战性的问题。这篇最新技术报告为读者提供了关于使用单目和多视图输入（例如来自RGB和RGB-D传感器等数据）的最新技术的全面总结，传达了不同方法的理解、它们的潜在应用和有前途的进一步研究方向。该报告涵盖了一般非刚性场景的三维重建，并进一步讨论了场景分解、编辑和控制以及通用和生成建模技术。更具体地说，我们首先回顾了理解和导航该领域所需的常见和基本概念，然后通过回顾使用传统和基于机器学习的神经表示的最新方法，包括对新启用的应用的讨论，来讨论最新技术。该最新技术报告最后讨论了剩余的限制和开放性挑战。

3D场景重建是计算机图形学和计算机视觉中的重要问题，但是重建动态、非刚性移动场景仍然是一个具有挑战性的问题。本论文旨在总结现有技术，包括使用单目和多视图输入的方法，以及涵盖场景分解、编辑和控制、可推广和生成建模等方面的技术。

本论文总结了使用传统方法和基于机器学习的神经表示的最新方法，包括新的应用。

本论文涵盖了非刚性场景的3D重建，并讨论了场景分解、编辑和控制、可推广和生成建模等技术。实验使用了RGB和RGB-D传感器等不同的数据集。

最近的相关研究包括“DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation”和“NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis”。