All translations

Enter a message name below to show all available translations.

Found 3 translations.

Name	Current message text
^h English (en)	Neural methods for reconstructing 3D representations have made significant advances over the last years. NeRFs (Mildenhall et al., [https://arxiv.org/html/2408.14837v1#bib.bib20 2020]) parameterize radiance fields using a deep neural network that is specifically optimized for a given scene from a set of images taken from various camera poses. Once trained, novel points of view of the scene can be sampled using volume rendering methods. Gaussian Splatting (Kerbl et al., [https://arxiv.org/html/2408.14837v1#bib.bib15 2023]) approaches build on NeRFs but represent scenes using 3D Gaussians and adapted rasterization methods, unlocking faster training and rendering times. While demonstrating impressive reconstruction results and real-time interactivity, these methods are often limited to static scenes.
^h Spanish (es)	Los métodos neuronales para reconstruir representaciones 3D han experimentado avances significativos en los últimos años. Los NeRFs (Mildenhall et al., [https://arxiv.org/html/2408.14837v1#bib.bib20 2020]) parametrizan campos de radiancia utilizando una red neuronal profunda que se optimiza específicamente para una escena dada a partir de un conjunto de imágenes tomadas desde diversas posiciones de cámara. Una vez entrenada, se pueden generar nuevos puntos de vista de la escena utilizando métodos de renderizado de volúmenes. Los enfoques de Gaussian Splatting (Kerbl et al., [https://arxiv.org/html/2408.14837v1#bib.bib15 2023]) se basan en NeRFs pero representan escenas utilizando distribuciones Gaussianas 3D y métodos de rasterización adaptados, lo que permite tiempos de entrenamiento y renderizado más rápidos. Aunque demuestran resultados de reconstrucción impresionantes y una interactividad en tiempo real, estos métodos suelen limitarse a escenas estáticas.
^h Chinese (zh)	重建三维表示的神经方法在过去几年中取得了重大进展。NeRFs（Mildenhall 等人，[https://arxiv.org/html/2408.14837v1#bib.bib20 2020]）使用深度神经网络对辐射场进行参数化，该网络针对从不同相机姿态拍摄的一组图像的特定场景进行了专门优化。训练完成后，可通过体积渲染方法对场景的新视角进行采样。Gaussian Splatting（Kerbl 等人，[https://arxiv.org/html/2408.14837v1#bib.bib15 2023]）方法建立在 NeRFs 的基础上，但使用三维高斯和改进的光栅化方法来表示场景，从而实现更快的训练和渲染速度。尽管这些方法展示了令人印象深刻的重建结果和实时交互性，但通常仅限于静态场景。