基于离散小波变换提升few-shot神经辐射场的性能
计算机视觉与模式识别
2025-08-12 v3
摘要
神经辐射场(NeRF)在新视角合成和3D场景表示方面取得了卓越的性能，但其实际应用受限于收敛缓慢以及对密集训练视角的依赖。为此，我们提出DWTNeRF，一个基于Instant-NGP快速训练哈希编码的统一框架。它 coupled with 设计用于few-shot NeRF的正则化项，这些正则化项在稀疏训练视角上运行。我们的DWTNeRF还包括一个 novel 离散小波损失，允许在训练目标中显式优先考虑低频，从而减少few-shot NeRF在早期训练阶段对高频的过拟合。我们还引入了一种基于多头注意力的模型方法，compatible with INGP，这些方法对架构变化敏感。在3-shot LLFF基准上，DWTNeRF在PSNR、SSIM和LPIPS上分别比Vanilla INGP提高了15.07%、24.45%和36.30%。我们的做法鼓励重新思考当前针对fast-converging的隐式表示(如INGP或3DGS)的few-shot方法。
关键词
引用
@article{arxiv.2501.12637,
title = {DWTNeRF: Boosting Few-shot Neural Radiance Fields via Discrete Wavelet Transform},
author = {Hung Nguyen and Blark Runfa Li and Truong Nguyen},
journal= {arXiv preprint arXiv:2501.12637},
year = {2025}
}