基于扩散模型和 Transformer 的神经辐射场 3D 重建优化方法——DT-NeRF
计算机视觉与模式识别
2025-09-23 v1
摘要
本文提出了一种基于扩散模型优化的神经辐射场方法（DT-NeRF），旨在增强 3D 场景重建中的细节恢复和多视角一致性。通过将扩散模型与 Transformer 结合，DT-NeRF 在稀疏视角下有效恢复细节，并在复杂几何场景中保持高精度。实验结果表明，DT-NeRF 在 Matterport3D 和 ShapeNet 数据集上显著优于传统 NeRF 和其他最新方法，尤其在 PSNR、SSIM、Chamfer Distance 和 Fidelity 等指标上表现更佳。消融实验进一步确认了扩散和 Transformer 模块在模型性能中的关键作用，移除其中任何一个模块都会导致性能下降。DT-NeRF 的设计体现了各模块之间的协同效应，为 3D 场景重建提供了一种高效且精确的解决方案。未来的研究可能进一步优化该模型，探索更先进的生成模型和网络架构，以提升其在大规模动态场景中的性能。
关键词
引用
@article{arxiv.2509.17232,
title = {DT-NeRF: A Diffusion and Transformer-Based Optimization Approach for Neural Radiance Fields in 3D Reconstruction},
author = {Bo Liu and Runlong Li and Li Zhou and Yan Zhou},
journal= {arXiv preprint arXiv:2509.17232},
year = {2025}
}
备注
15 pages