Neural radiance fields in the industrial and robotics domain: applications, research opportunities and use cases

解决问题：这篇论文旨在探讨神经辐射场（NeRF）在工业领域中的应用和潜在研究机会。当前工业三维图像表示方法存在高昂的实现成本和对人工输入的依赖，因此需要一种更加高效准确的方法。

关键思路：本文提出使用NeRF学习基于提供的2D图像的3D场景表示，以解决当前工业3D表示方法的问题。文中还提出了NeRF在视频压缩和3D动态场景下的应用，这些实验为NeRF在工业领域中的应用提供了证明。相比当前领域的研究，本文的思路在于将NeRF应用于工业领域，提供了新的研究方向和实验验证。

其他亮点：本文提出的NeRF在工业领域中具有广泛的应用前景，例如视频压缩和碰撞避免等。实验结果表明，使用NeRF进行视频压缩可以实现高达74%的压缩节省，使用NeRF进行3D动态场景下的运动估计可以实现较高的PSNR和SSIM。本文的实验代码已经公开在GitHub上。

关于作者：本文的主要作者包括Eugen Šlapak、Enric Pardo、Matúš Dopiriak、Taras Maksymyuk和Juraj Gazda。他们分别来自斯洛伐克和西班牙的不同机构。根据数据库的介绍，他们之前的代表作包括关于深度学习在机器人领域中的应用和关于3D场景表示的研究。

相关研究：近期其他相关的研究包括：

  1. "NeRF in the Wild: Neural Radiance Fields for Unconstrained Photo Collections"，Mildenhall et al.，UC Berkeley；
  2. "DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation"，Park et al.，UC Berkeley；
  3. "Neural Volumes: Learning Dynamic Renderable Volumes from Images"，Lombardi et al.，Stanford University。

论文摘要：本文探讨了神经放射场（NeRF）在工业领域的应用，包括计算机辅助设计（CAD）、有限元分析（FEA）、扫描和机器人技术等。然而，目前用于工业三维模型的方法成本高昂，且需要人工输入以获得准确的三维模型。为了解决这些问题，NeRF应运而生，它是一种基于提供的训练二维图像学习三维场景表示的有前途的方法。尽管人们对NeRF越来越感兴趣，但它在各种工业子领域中的潜在应用仍未得到探索。本文全面研究了NeRF在工业应用中的潜力，并提供了未来研究方向。本文还展示了一系列概念验证实验，证明了NeRF在工业领域的潜力。这些实验包括基于NeRF的视频压缩技术和在避免碰撞的情况下使用NeRF进行三维运动估计。在视频压缩实验中，结果显示分辨率为1920x1080和300x168时，压缩节省率分别达到48％和74％。运动估计实验使用机械臂的三维动画来训练动态NeRF（D-NeRF），并实现了平均视差图PSNR为23 dB和SSIM为0.97。我们的实验代码公开在https://github.com/Maftej/iisnerf。

内容中包含的图片若涉及版权问题，请及时与我们联系删除