卫星场景重建的快速且通用 NeRF 架构选择
计算机视觉与模式识别
2026-03-20 v1 机器学习
摘要
神经光度场（NeRF）已成为从多视角图像实现逼真 3D 重建的强大方法。然而， 将 NeRF 应用于卫星影像仍具有挑战性。每个场景都需要单独训练，通过神经架构搜索（NAS）优化架构需要数小时至数天的 GPU 时间。虽然现有方法侧重于架构改进，但我们的 SHAP 分析揭示，多视角一致性而非模型架构决定了重建质量。基于此洞察，我们开发了 PreSCAN，一个预测框架，用于在训练前估计 NeRF 质量。该框架使用轻量级几何和光度特征描述子，实现 < 30 秒的架构选择，预测误差 < 1 dB，相较于 NAS 实现 1000 倍加速。我们进一步在边缘平台（Jetson Orin）上展示了 PreSCAN 的部署实用性，其预测结果结合离线成本剖析，可将推理功耗降低 26%，延迟降低 43%，且质量损失最小。在 DFC2019 数据集上的实验表明，PreSCAN 无需重新训练即可跨 diverse 卫星场景实现泛化。
引用
@article{arxiv.2603.18306,
title = {Fast and Generalizable NeRF Architecture Selection for Satellite Scene Reconstruction},
author = {Devjyoti Chakraborty and Zaki Sukma and Rakandhiya D. Rachmanto and Kriti Ghosh and In Kee Kim and Suchendra M. Bhandarkar and Lakshmish Ramaswamy and Nancy K. O'Hare and Deepak Mishra},
journal= {arXiv preprint arXiv:2603.18306},
year = {2026}
}