低数据极限下 NeRF 的数据增强
计算机视觉与模式识别
2025-03-05 v1 机器人学
摘要
当前基于神经辐射场（NeRF）的方法在低数据极限下会失效，尤其是在不完整场景数据上训练时。先前的工作仅在次优视角（next-best-view）应用中增强训练数据，这在稀疏数据下会导致幻觉和模型崩溃。相比之下，我们提出在训练期间通过从后验不确定性分布中拒绝采样来添加一组视角，该分布由体素不确定性估计器与空间覆盖率相结合生成。我们在部分观测的场景上验证了结果；与最先进的基线方法相比，我们的方法平均性能提升 39.9%，且在既定的场景重建基准上变异性降低 87.5%。我们进一步证明，通过从任意分布中采样来增强训练集，能够在稀疏环境中实现更好、更一致的场景重建。这项工作为机器人任务奠定了基础，在资源受限且先验未知的环境中，利用信息性数据增强数据集对这些任务至关重要。视频和源代码可在 https://murpheylab.github.io/low-data-nerf/ 获取。
引用
@article{arxiv.2503.02092,
title = {Data Augmentation for NeRFs in the Low Data Limit},
author = {Ayush Gaggar and Todd D. Murphey},
journal= {arXiv preprint arXiv:2503.02092},
year = {2025}
}
备注
To be published in 2025 IEEE International Conference on Robotics and Automation (ICRA 2025)