稀疏输入动态视图合成的因式分解运动场

为快速优化和渲染动态场景的 3D 表示是一项具有挑战性的任务。虽然最近的显式表示能够实现动态辐射场的快速学习和渲染，但它们需要密集的输入视角。在本工作中，我们关注于使用稀疏输入视角学习动态辐射场的快速表示。然而，稀疏输入下的优化是受限的，必须使用运动先验来约束学习。现有的快速动态场景模型未显式建模运动，使其难以受运动先验约束。我们设计了一个显式的运动模型作为因式分解的 4D 表示，既快速又可利用运动场的时空相关性。我们然后引入可靠的 flow 先验，包括跨摄像机稀疏 flow 先验和摄像机内部稠密 flow 先验，以正则化我们的运动模型。我们的模型快速、紧凑，并在流行的多视角动态场景数据集上实现了出色的性能，数据集包括稀疏输入视角。我们的模型的源代码可在我们的项目页面上找到：https://nagabhushansn95.github.io/publications/2024/RF-DeRF.html。