用于高效可泛化神经辐射场重建的深度引导束采样
计算机视觉与模式识别
2025-05-27 v1
摘要
可泛化新视角合成的最新进展通过在邻近视角间进行插值，已实现了令人印象深刻的图像质量。然而，由于需要对所有光线进行密集采样，渲染高分辨率图像在计算上依然十分耗时。认识到自然场景通常是分段平滑的，且对所有光线进行采样往往是冗余的，我们提出了一种新颖的深度引导束采样策略以加速渲染。通过将相邻光线组合成一束并对其进行集体采样，可以生成一个共享表示，用于解码该束内的所有光线。为了进一步优化效率，我们的自适应采样策略根据深度置信度动态分配样本，在复杂区域集中更多样本，同时在更平滑的区域减少样本。将该方法应用于ENeRF时，在DTU数据集上实现了高达1.27 dB的PSNR提升和47%的FPS提升。在合成和真实世界数据集上的大量实验表明，与现有的可泛化方法相比，该方法具有最先进的渲染质量，且渲染速度提升高达2倍。代码可在 https://github.com/KLMAV-CUC/GDB-NeRF 获取。
引用
@article{arxiv.2505.19793,
title = {Depth-Guided Bundle Sampling for Efficient Generalizable Neural Radiance Field Reconstruction},
author = {Li Fang and Hao Zhu and Longlong Chen and Fei Hu and Long Ye and Zhan Ma},
journal= {arXiv preprint arXiv:2505.19793},
year = {2025}
}
备注
CVPR 2025