基于秩残差分解的可压缩可组合神经辐射场
计算机视觉与模式识别
2022-10-14 v2
摘要
神经辐射场（NeRF）已成为一种用于表示三维物体与场景以实现照片级真实感渲染的引人注目的方法。然而，其隐式表示导致难以像显式网格表示那样对模型进行操作。近期在 NeRF 操作方面的若干进展通常受限于共享的渲染网络，或面临模型尺寸过大的问题。为克服这一障碍，本文提出一种显式神经场表示，可实现高效且便捷的模型操作。为实现该目标，我们在无神经网络的情况下学习场景的混合张量秩分解。受 SVD 算法低秩近似特性的启发，我们提出一种秩残差学习策略，以促使主要信息在较低秩中得以保留。随后可通过秩截断动态调整模型尺寸，以控制细节层次，实现近乎最优的压缩而无需额外优化。此外，不同模型可沿秩维度拼接，被任意变换并组合为同一场景。组合场景中不重要对象的存储成本增长也可通过压缩来缓解。我们证明，我们的方法能够在实现可比于最先进方法的渲染质量的同时，具备压缩与组合的额外能力。代码将发布于 https://github.com/ashawkey/CCNeRF。
引用
@article{arxiv.2205.14870,
title = {Compressible-composable NeRF via Rank-residual Decomposition},
author = {Jiaxiang Tang and Xiaokang Chen and Jingbo Wang and Gang Zeng},
journal= {arXiv preprint arXiv:2205.14870},
year = {2022}
}
备注
NeurIPS 2022 camera-ready version