面向高效物体映射的类别级元学习NeRF先验
计算机视觉与模式识别
2025-07-30 v3 机器人学
摘要
在3D物体映射中，类别级先验可实现高效物体重建和标准化姿态估计，仅需为每个语义类别（如椅子、书籍、笔记本电脑等）提供一个先验。DeepSDF主要作为类别级形状先验使用，但难以重建锐利几何且计算代价高。相比之下，NeRF能够捕捉细节，但尚未有效集成到实时多物体映射框架的类别级先验中。为弥合这一差距，我们引入了PRENOM（Prior-based Efficient Neural Object Mapper），一种将类别级先验与物体级NeRF集成以提升重建效率并实现标准化物体姿态估计的框架。PRENOM通过对从开源形状数据集生成的合成重建任务进行元学习，实现对物体的“熟悉”。为适应类别变异性，采用多目标遗传算法优化每个类别的NeRF架构，平衡重建质量与训练时间。此外，基于先验的概率光线采样引导采样聚焦于预期物体区域，加速收敛并提升受限资源下的重建质量。实验结果表明，PRENOM在保持计算可行性的同时实现高质量重建。具体而言，与无先验的基于NeRF的方法在合成数据集上实现21%更低的 Chamfer距离；在噪声真实数据集上与其他采用形状先验的方法进行比较，所有重建指标平均提升13%，姿态和尺寸估计精度相当，但训练时间缩短5倍。代码已公开：https://github.com/snt-arg/PRENOM
引用
@article{arxiv.2503.01582,
title = {Category-level Meta-learned NeRF Priors for Efficient Object Mapping},
author = {Saad Ejaz and Hriday Bavle and Laura Ribeiro and Holger Voos and Jose Luis Sanchez-Lopez},
journal= {arXiv preprint arXiv:2503.01582},
year = {2025}
}