混合神经场的规范因子
计算机视觉与模式识别
2024-12-31 v2 机器学习
最优化与控制
摘要
因子化特征体提供了一种构建更紧凑、高效且可解释的神经场的简单方式，但也引入了未必对真实数据有益的偏置。在本工作中，我们（1）刻画了这些架构对于轴对齐信号所具有的有害偏置——它们可导致高达 2 PSNR 的辐射场重建差异——并且（2）探索如何通过学习一组规范化变换来通过消除这些偏置改进表示。我们在一个二维模型问题中证明，同时学习这些变换与场景外观能够以大幅改进的效率取得成功。我们使用图像、有符号距离以及辐射场重建任务对所得架构（我们称之为 TILTED）进行了验证，观察到其在质量、鲁棒性、紧凑性和运行时间上的改进。结果表明，TILTED 能够实现与规模为其 2 倍的基线相当的能力，同时也凸显了神经场评估过程的缺陷。
引用
@article{arxiv.2308.15461,
title = {Canonical Factors for Hybrid Neural Fields},
author = {Brent Yi and Weijia Zeng and Sam Buchanan and Yi Ma},
journal= {arXiv preprint arXiv:2308.15461},
year = {2024}
}
备注
ICCV 2023. Project webpage: https://brentyi.github.io/tilted/