DGNR：面向大规模驾驶场景的密度引导神经点渲染
计算机视觉与模式识别
2023-11-29 v1
摘要
尽管神经辐射场（NeRF）近期取得了成功，但在长轨迹下渲染大规模驾驶场景仍具挑战性，尤其在渲染质量与效率要求很高时。此类场景的现有方法通常涉及空间扭曲、来自零样本法线或深度估计的几何监督，或场景划分策略，其合成视图往往模糊或无法满足高效渲染的需求。为应对上述挑战，本文提出一种新颖框架，从场景中学习密度空间以指导基于点的渲染器的构建，称为 DGNR（Density-Guided Neural Rendering，密度引导神经渲染）。在 DGNR 中，不再需要几何先验，其可通过体渲染从密度空间中内在地学习得到。具体而言，我们利用可微渲染器从学习到的密度空间所获得的神经密度特征合成图像。提出基于密度的融合模块与几何正则化以优化密度空间。通过在广泛使用的自动驾驶数据集上实验，我们验证了 DGNR 在合成逼真驾驶场景与实现实时渲染方面的有效性。
引用
@article{arxiv.2311.16664,
title = {DGNR: Density-Guided Neural Point Rendering of Large Driving Scenes},
author = {Zhuopeng Li and Chenming Wu and Liangjun Zhang and Jianke Zhu},
journal= {arXiv preprint arXiv:2311.16664},
year = {2023}
}