【课题推荐发表期刊】

【课题背景】

通过将姿态估计与NeRF模型相结合，提出一种自适应光线采样和几何约束策略，以提升三维重建效果。该方法不仅能够从单张图像或少量图像中生成稳定且精确的三维模型，还保证了不同视角下的几何一致性和姿态准确性，适用于复杂结构和几何对称性较差的物体。通过这种自适应光线采样和几何约束策略，NeRF技术的应用范围得以扩展，可以更好地应对具有挑战性的三维重建任务。

本课题将基于自适应光线采样和几何约束策略，解决当前NeRF在处理单视角图像生成三维模型时，模型姿态不稳定、几何一致性差的问题。这种方法的提出，也体现了在三维重建领域中，对于提高模型稳定性和几何一致性的持续探索和进步。

【适合人群】

• 多模态学习、自然语言处理（NLP）、机器学习和深度学习相关领域的研究生

• 熟悉TensorFlow、PyTorch等深度学习框架优先

• 具备良好的英语阅读和写作能力

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Liu，QS20高校人工智能博士

• 目前已发表20多篇高水平论文，如ICML，Nature, Neurips，IJCAI，ACL，IEEE IV，IEEE ITSC

• 谷歌学术引用量近百次

• 长期担任IEEE Transactions on Intelligent Transportation Systems、Transportation Re- search Part C: Emerging Technologies、TRB Annual Meeting - Transportation Research Board、IEEE International Conference on Intelligent Transportation Systems、IEEE Intelligent Vehicles Symposium等期刊会议审稿人

• 曾指导学生在 IEEE IROS, IEEE transaction on image processing发表论文

• 可提供开源代码并指导复现；可提供部分开放研究数据；可提供一定的算力资源；可撰写推荐信；期刊内推资源；就业/实习机会推荐

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2024 Method for three-dimensional reconstruction of dynamic stereo vision based on line structured light using global optimization

• 2023 Hybrid iteration and optimization-based three-dimensional reconstruction for space non-cooperative targets with monocular vision and sparse lidar fusion