<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>神经辐射场 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E7%A5%9E%E7%BB%8F%E8%BE%90%E5%B0%84%E5%9C%BA/</link>
    <description>Recent content in 神经辐射场 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Fri, 03 Oct 2025 07:29:18 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E7%A5%9E%E7%BB%8F%E8%BE%90%E5%B0%84%E5%9C%BA/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>动态场景神经辐射场自适应技术解析</title>
      <link>https://blog.qife122.com/p/%E5%8A%A8%E6%80%81%E5%9C%BA%E6%99%AF%E7%A5%9E%E7%BB%8F%E8%BE%90%E5%B0%84%E5%9C%BA%E8%87%AA%E9%80%82%E5%BA%94%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</link>
      <pubDate>Fri, 03 Oct 2025 07:29:18 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%8A%A8%E6%80%81%E5%9C%BA%E6%99%AF%E7%A5%9E%E7%BB%8F%E8%BE%90%E5%B0%84%E5%9C%BA%E8%87%AA%E9%80%82%E5%BA%94%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</guid>
      <description>&lt;h1 id=&#34;适应动态场景的神经辐射场技术&#34;&gt;适应动态场景的神经辐射场技术&lt;/h1&gt;&#xA;&lt;p&gt;计算机视觉中最引人入胜的挑战之一是通过单个移动相机的快照来理解动态场景。想象一下，从视频或不同角度拍摄的一系列快照中，数字重建一个繁华街道场景的三维模型，或舞者流畅动作的细微变化。这将使模型能够从未见过的相机角度生成视图，放大和缩小视图，并在不同时间实例创建三维模型的快照，从而解锁对我们周围世界更深入的三维理解。&lt;/p&gt;</description>
    </item>
    <item>
      <title>神经符号方法实现物理信息模拟的科学发现</title>
      <link>https://blog.qife122.com/p/%E7%A5%9E%E7%BB%8F%E7%AC%A6%E5%8F%B7%E6%96%B9%E6%B3%95%E5%AE%9E%E7%8E%B0%E7%89%A9%E7%90%86%E4%BF%A1%E6%81%AF%E6%A8%A1%E6%8B%9F%E7%9A%84%E7%A7%91%E5%AD%A6%E5%8F%91%E7%8E%B0/</link>
      <pubDate>Thu, 18 Sep 2025 02:49:42 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E7%A5%9E%E7%BB%8F%E7%AC%A6%E5%8F%B7%E6%96%B9%E6%B3%95%E5%AE%9E%E7%8E%B0%E7%89%A9%E7%90%86%E4%BF%A1%E6%81%AF%E6%A8%A1%E6%8B%9F%E7%9A%84%E7%A7%91%E5%AD%A6%E5%8F%91%E7%8E%B0/</guid>
      <description>&lt;h1 id=&#34;dem-nerf通过物理信息模拟实现科学发现的神经符号方法&#34;&gt;DEM-NeRF：通过物理信息模拟实现科学发现的神经符号方法&lt;/h1&gt;&#xA;&lt;p&gt;神经网络已成为建模物理系统的强大工具，能够从有限数据中学习复杂表示，同时整合基础科学知识。特别是神经符号方法结合了数据驱动学习（神经）与符号方程和规则（符号），解决了纯粹经验方法可能偏离既定物理原理，以及传统数值求解器需要完整几何知识且高保真模拟成本过高的问题。&lt;/p&gt;</description>
    </item>
    <item>
      <title>动态场景神经辐射场自适应技术突破</title>
      <link>https://blog.qife122.com/p/%E5%8A%A8%E6%80%81%E5%9C%BA%E6%99%AF%E7%A5%9E%E7%BB%8F%E8%BE%90%E5%B0%84%E5%9C%BA%E8%87%AA%E9%80%82%E5%BA%94%E6%8A%80%E6%9C%AF%E7%AA%81%E7%A0%B4/</link>
      <pubDate>Sun, 14 Sep 2025 16:26:27 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%8A%A8%E6%80%81%E5%9C%BA%E6%99%AF%E7%A5%9E%E7%BB%8F%E8%BE%90%E5%B0%84%E5%9C%BA%E8%87%AA%E9%80%82%E5%BA%94%E6%8A%80%E6%9C%AF%E7%AA%81%E7%A0%B4/</guid>
      <description>&lt;h1 id=&#34;适应动态场景的神经辐射场nerfs技术&#34;&gt;适应动态场景的神经辐射场（NeRFs）技术&lt;/h1&gt;&#xA;&lt;p&gt;计算机视觉中最引人入胜的挑战之一，是通过单个移动相机的快照来理解动态场景。想象一下，从视频或不同角度拍摄的一系列快照中，数字重建繁华街道的三维场景或舞者流畅的细微动作。这将使模型能够从未见过的相机角度生成视图，放大和缩小视图，并在不同时间实例创建三维模型的快照，从而解锁对我们周围世界更深入的三维理解。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
