CombiNeRF：一种面向少样本神经辐射场视图合成的正则化技术组合
计算机视觉与模式识别
2024-03-22 v1
摘要
神经辐射场（NeRF）在拥有足够多视图的情况下，在新视图合成方面展现出了令人印象深刻的结果。当处理少样本设置时，即只有少量输入视图，训练可能会过拟合这些视图，导致渲染结果中出现伪影以及几何和色彩的不一致性。正则化是一种有助于 NeRF 泛化的有效解决方案。另一方面，每种最新的 NeRF 正则化技术都旨在缓解特定的渲染问题。基于这一观察，我们在本文中提出了 CombiNeRF，这是一个协同组合多种正则化技术（其中一些是新颖的）的框架，旨在统一每种技术的优势。具体来说，我们对单条和邻近光线分布进行正则化，并添加平滑项以正则化近处几何。在这些几何方法之后，我们提出对 NeRF 的密度和颜色网络利用 Lipschitz 正则化，并使用编码掩码进行输入特征正则化。我们证明，在多个公开数据集的少样本设置下，CombiNeRF 优于最先进的方法。我们还展示了在 LLFF 和 NeRF-Synthetic 数据集上的消融研究，以支持所做出的选择。我们随本文发布了我们框架的开源实现。
引用
@article{arxiv.2403.14412,
title = {CombiNeRF: A Combination of Regularization Techniques for Few-Shot Neural Radiance Field View Synthesis},
author = {Matteo Bonotto and Luigi Sarrocco and Daniele Evangelista and Marco Imperoli and Alberto Pretto},
journal= {arXiv preprint arXiv:2403.14412},
year = {2024}
}
备注
This paper has been accepted for publication at the 2024 International Conference on 3D Vision (3DV)