基于神经辐射场的大规模场景建模联邦学习
计算机视觉与模式识别
2024-03-22 v4
摘要
我们设想了一个系统，以终身学习的方式，利用从车辆和无人机收集的数据，基于地球尺度的神经辐射场（NeRF）持续构建并维护地图。然而，现有基于 NeRF 的大规模建模在建模地球尺度环境时，在可扩展性和可维护性方面存在问题。因此，为解决这些问题，我们提出了一种用于 NeRF 大规模建模的联邦学习流程。我们为 NeRF 量身定制了联邦学习中的模型聚合流程，从而允许 NeRF 的局部更新。在聚合步骤中，客户端的全局位姿精度至关重要。因此，我们还提出了全局位姿对齐，以在聚合步骤前对齐客户端的含噪全局位姿。在实验中，我们在大规模场景数据集 Mill19 上展示了所提位姿对齐与联邦学习流程的有效性。
引用
@article{arxiv.2309.06030,
title = {Federated Learning for Large-Scale Scene Modeling with Neural Radiance Fields},
author = {Teppei Suzuki},
journal= {arXiv preprint arXiv:2309.06030},
year = {2024}
}
备注
Our subsequent work is available at arXiv:2403.11460