DivCon-NeRF：面向少样本 NeRF 的多样且一致的光线增强
计算机视觉与模式识别
2025-08-07 v2
摘要
Neural Radiance Field (NeRF) 在新视角合成中展现出了卓越的性能，但需要大量多视角图像，这限制了其在少样本场景中的实用性。光线增强被提出用于通过生成额外光线来缓解稀疏训练数据导致的过拟合。然而，现有方法仅在原始光线附近生成增强光线，由于视角有限且光线被附近障碍物和复杂表面遮挡而存在不一致性，表现出明显的悬浮伪影和外观失真。为了解决这些问题，我们提出了 DivCon-NeRF，引入了新颖的基于球体的光线增强，以显著增强多样性和一致性。通过以预测表面点为中心采用一个虚拟球体，我们的方法从所有 360 度方向生成多样的增强光线，并借助一致性掩码有效过滤掉不一致的光线。我们引入了利用这些增强的定制损失函数，有效减少了悬浮伪影和视觉失真。因此，我们的方法在 Blender、LLFF 和 DTU 数据集上优于现有的少样本 NeRF 方法。此外，DivCon-NeRF 通过与基于正则化和基于框架的少样本 NeRF 有效集成，展现了强大的泛化能力。我们的代码将公开发布。
引用
@article{arxiv.2503.12947,
title = {DivCon-NeRF: Diverse and Consistent Ray Augmentation for Few-Shot NeRF},
author = {Ingyun Lee and Jae Won Jang and Seunghyeon Seo and Nojun Kwak},
journal= {arXiv preprint arXiv:2503.12947},
year = {2025}
}
备注
9 pages, 6 figures