資料分析與視覺化 2026 工具與自動化
// SYS 官方專案 現場展覽
基於D-NeRF時間序列影像之3D建模研究
by arctic
// project_overview
本研究旨在改良以相片得出 3D 建模的方法，並採用 D-NeRF 在動態場景重建中的效果，提出改良方法以提升重建品質。在資料稀少的實際情境下，原始 D-NeRF 的形變網路容易過擬合且在多視角重建中表現不穩定。本研究將形變網路改為基於 Transformer 時序注意力機制 的架構，使其能更有效建模時間相關性。實驗結果顯示，相較於原始 MLP 形變網路，改良後的模型在訓練過程中損失與 PSNR 曲線更平滑且趨於收斂，在最終渲染出來的 RGB 影像與視差圖中也能保留更多細節與結構資訊。
// tech_stack
Dnerf Self-Attention
// keywords
# Dnerf # 3D重建 # 咕咕嘎嘎
幫這個專案投票！
// project_details
1. 研究目的
本研究旨在改良以相片得出 3D 建模的方法，並採用 D-NeRF 神經網路在動態場景重建中的效果，提出改良方法以提升重建品質。在資料稀少的實際情境下，原始 D-NeRF 的形變多層感知器容易過擬合、在多視角重建中表現不穩定。本研究將形變神經網路改為基於 Transformer 架構，使其能更有效的運用不同照片中的時間相關性。
2. 研究方法
主要改動是步驟4.的隱式演算法：將形變神經網路 (下圖 Ψt) 改為包含注意力機制的神經網路，讓其在建立時能關注不同照片中的關聯，並建立起記憶性。
3. 研究結果
實驗結果顯示，相較於原始 MLP 形變網路，改良後的模型在訓練過程中損失與 PSNR 曲線更平滑且趨於收斂，在最終渲染出來的 RGB 影像與視差圖中也能保留更多細節與結構資訊。不過，推測相機資訊的 COLMAP 不準確，使成果不如預期。
// Comments
載入留言…
// similar_projects
■資料分析與視覺化
■人工智慧
■工具與自動化