FourieRF：基于渐进傅里叶频率控制的少样本神经辐射场

本文提出 FourieRF，一种在少样本设定下实现快速高质量重建的新方法。该方法通过显式的课程训练过程对特征进行参数化，在优化过程中逐步增加场景复杂度。实验结果表明，我们的方法所引入的先验在各类场景中既稳健又具有适应性，使 FourieRF 成为少样本渲染问题中一个强大且通用的基线。虽然我们的方法显著减少了伪影，但在严重欠约束的场景下，尤其是视角遮挡导致部分形状未被覆盖时，仍可能导致重建误差。未来，我们的方法可通过整合基础模型，利用大规模数据驱动的先验来补全缺失部分，从而得到增强。