DReg-NeRF：用于神经辐射场的深度配准

尽管神经辐射场（Neural Radiance Fields, NeRF）近期在计算机视觉界广受关注，对多个 NeRF 的配准尚未得到足够重视。不同于基于传统优化方法且需要人工标注关键点的现有工作 NeRF2NeRF，我们提出 DReg-NeRF 以在无人工干预的情况下解决以物体为中心的场景中的 NeRF 配准问题。在训练 NeRF 模型后，我们的 DReg-NeRF 首先从 NeRF 的占据栅格中提取特征。随后，我们的 DReg-NeRF 利用带有自注意力与交叉注意力层的 transformer 架构来学习成对 NeRF 块之间的关系。相较于最先进（SOTA）的点云配准方法，解耦的对应关系由表面场监督，无需任何真值重叠标签。我们构建了一个包含从 Objaverse 获取的 1700+ 个 3D 物体的新视角合成数据集来训练网络。在测试集上评估时，我们提出的方法大幅超越 SOTA 点云配准方法，平均 $\text{RPE}=9.67^{\circ}$，平均 $\text{RTE}=0.038$。代码见 https://github.com/AIBluefisher/DReg-NeRF。