On-the-Fly Method 论文解读
On-the-fly Reconstruction for Large-Scale Novel View Synthesis from Unposed Images Overview 3D 高斯散点（3DGS）这样的辐射场方法，可以从照片中方便地重建场景，并实现free-viewpoint navigation。 但是，存在着两个问题： 时间开销很大：1）使用Structure from Motion方法进行相机姿态估计和2）3DGS优化在相机拍摄完成后都需要几分钟或者几小时不等的时间 SLAM 方法与 3DGS 结合可以加快处理速度，但在相机视角跨度较大（wide baseline）或场景规模较大时表现不佳。 本文章方法优点： 提出了一种在线处理方法，可以在拍摄完成后立即获得相机姿态和训练好的 3DGS 表示。（边拍边建模） 可以同时处理密集拍摄（如视频）和宽基线拍摄（如每几步拍一张）的有序图像序列，并能适用于大规模场景。 提出的方法： （1）快速的初始姿态估计方法，结合了learned features与mini bundle adjustment 利用深度学习模型...
Paper2poster 论文解读
Paper2Poster: Towards Multimodal Poster Automation from Scientific Papers Overview 两个贡献： （1）提出基准测试和度量标准： 这是首个针对海报生成的基准测试，它通过以下四个方面来评估生成的海报： 视觉质量： 生成海报的语义与人类设计的海报的契合度 文本连贯性： 海报中语言的流畅性 整体评估： 通过“视觉语言模型（VLM）作为评判者”来评分的六项细致的美学和信息标准 PaperQuiz： 衡量海报传达论文核心内容的能力，方法是让 VLM 回答根据海报生成的问题 （2）PosterAgent： 一个新颖的、自上而下、融入视觉反馈的多智能体管道，专门用于海报生成。它包含三个主要组成部分： 解析器（Parser）： 将论文内容提炼成结构化的“资产库”。 规划器（Planner）： 将文本和视觉元素对齐到二叉树布局中，以保持阅读顺序和空间平衡。 绘图器-评论器循环（Painter–Commenter Loop）： 通过执行渲染代码并利用 VLM 的反馈来优化每个面板，以消除溢出并确保对齐 Pape...
VGGT 论文解读
VGGT Overview 前馈神经网络： 从一张或多张图片中预测3d场景的关键属性: 相机参数 深度图 点云 3d轨迹 优点： 不依赖传统优化，快，好，不需要先验，从图像序列中一次性输出3d场景信息。 Method Basic Definition VGGT的输入是张同一场景不同角度的RGB图片序列, VGGT transformer是一个映射 ，将这个图片序列映射到了场景3d属性序列中： 对于某一张（一帧）图片而言： 相机参数（内参 + 外参）： ：相机旋转角 ：平移向量 ：视场角 FOV ()，假设中心在图像几何中心（内参） 深度图： 设第 张图像为 ，其像素网格定义为： 每个像素的位置用二维坐标 表示。 模型为每张输入图像 预测一个对应的深度图 。其中，每个像素位置 的预测深度值记作 ，满足： 表示：第 张图像中，像素点 所“看到”的真实世界中的三维点距离相机的深度； 3d 点云图： 一张图上面 个点 每一个点对应一个三维坐标 沿用上面说的深度图的定义：,对应一个三维点。 3d点轨迹。 给定一张图像中的某个像素,找到...
