FiG-NeRF：用于三维物体类别建模的图形-背景神经辐射场
计算机视觉与模式识别
2021-04-20 v1
摘要
我们研究了利用神经辐射场（NeRF）从输入图像集合中学习高质量三维物体类别模型。与以往工作不同，我们能够在同时分离前景物体与其变化背景的情况下完成此任务。我们通过一个双分量 NeRF 模型 FiG-NeRF 实现这一点，该模型倾向于将场景解释为一个几何恒定的背景和一个表示物体类别的可形变前景。我们表明，该方法仅使用光度监督以及物体的随意拍摄图像即可学习准确的三维物体类别模型。此外，我们的双部分解使模型能够执行准确而清晰的不可见区域分割（amodal segmentation）。我们使用合成、实验室采集和真实场景数据，通过视图合成与图像保真度指标对我们的方法进行了定量评估。我们的结果展示了令人信服的三维物体类别建模能力，其性能超越了现有方法。
引用
@article{arxiv.2104.08418,
title = {FiG-NeRF: Figure-Ground Neural Radiance Fields for 3D Object Category Modelling},
author = {Christopher Xie and Keunhong Park and Ricardo Martin-Brualla and Matthew Brown},
journal= {arXiv preprint arXiv:2104.08418},
year = {2021}
}