利用nerfstudio 构建自己的nerf模型，数据集poster

ER-NeRF是基于NeRF用于生成数字人的方法，可以达到实时生成的效果。具体来说，为了提高动态头部重建的准确性，ER-NeRF引入了一种 紧凑且表达丰富的基于NeRF的三平面哈希表示法，通过三个平面哈希编码器剪枝空的空间区域。对于语音音频，ER-NeRF提出了一个区域关 注模块，通过注意机制生成区域感知的条件特征。与现有方法不同，它们使用基于MLP的编码器隐式学习跨模态关系不同，注意机制建立了音 频特征和空间区域之间的明确连接，以捕获本地动作的先验知识。此外，ER-NeRF引入了一种直接且快速的自适应姿势编码，通过将头部姿势 的复杂变换映射到空间坐标，来优化头部和躯干的分离问题。大量实验证明，与先前方法相比，ER-NeRF的方法可以呈现更高保真度和音频嘴 唇同步的数字人，细节更加逼真。

nerf-slam的复现文档,我根据自己的操作一步一步写的写的,源码是有错误的,我文档有说怎么修改错误,已经把坑都过了一遍了

# Download some test data: ns-download-data nerfstudio --capture-name=poster 所下载的训练数据

nerf_pl 更新： （狂野的NeRF）实现已添加到分支！ 更新：最新的代码（使用最新的库）将更新到分支。 master分支仍然支持colab文件。如果不使用colab，建议切换到dev分支。 目前只会考虑dev和nerfw分支的问题。 :gem_stone:（实时演示！） 使用pytorch（ ）非官方实现 （神经辐射场）。这个仓库不是以重现性为目标，而是旨在提供一个更简单，更快速的培训过程（也就是带有详细注释的更简单的代码，以帮助您理解工作）。此外，我尝试通过将此算法集成到Unity等游戏引擎中来扩展更多的机会。 官方实现： ..参考pytorch实现： 推荐阅读：详细的NeRF扩展列表： :milky_way:特征 多GPU培训：针对合成数据集，在1小时内完成了8个GPU的培训！ 可轻松使用笔记本！ 彩色网格！ Unity中的！ Unity中的！ ，让您与其他人的场景一起玩！ 您可以在找到包括网格，混合

instant-ngp源码，已经编译通过，如果本地无法运行可以重新进行编译，具体使用步骤 1.视频拆分为图片 2.colmap稀疏重建 3.colmap2nerf格式转换 4.运行tools/testbed.txt3D重建 只需要数分钟即可完成重建，非常迅速

https://drive.google.com/drive/folders/1jIr8dkvefrQmv737fFm2isiT6tqpbTbv

令人敬畏的神经辐射场 受启发的一系列令人敬畏的神经辐射领域论文的精选清单。 目录 民意调查 ，Dellaert和Yen-Chen，Arxiv 2020 | | 文件 ，Mildenhall等人，ECCV 2020 | | ，Zhang等人，Arxiv 2020 | | ，Rebain等。 2020年Arxiv | ，Boss等人，Arxiv 2020 | | ，Wang等人，Arxiv 2021 | | ，Lombardi等人，Arxiv 2021 | 更快的推理 ，Liu等人，NeurIPS 2020 | | ，Lindell等，Arxiv 2020 | ，Neff等人，Arxiv 2021 | 不受约束的图像 ，Martin-Brualla等，Arxiv 2020 | 可变形 ，Park等人，2020年Arxiv | | ，Pumarola等人，A

非刚性神经辐射场 这是项目“非刚性神经辐射场：从单眼视频到动态场景的重构和新颖视图合成”（NR-NeRF）的官方资料库。 我们将NeRF（一种用于静态场景的逼真外观和几何重构的最新技术）扩展到动态/变形/非刚性场景。 有关详细信息，请参阅和，其中还包括补充视频。 入门 我们修改了损失，并在2021年2月的更新中添加了多视图支持，一些简单的场景编辑功能，评估代码和简单的基准。 有关此代码的原始版本，请参阅此存储库的december2020分支。 安装 克隆此存储库。 （可选）安装 。 设置nrnerf环境nrnerf （或使用pip安装要求）： conda env create -f environment.yml （可选）对于数据加载和相机参数估计，我们包含了一个虚拟实现，该实现仅适用于所包含的示例序列。 如果您不想编写本自述文件结尾处指定的自己的实现，则可以改用以下程序和文件：

包含nerf_llff_data.zip和nerf_synthetic.zip官网完整压缩包下载链接。