从NeRF到Gaussian Splatting以及回去
计算机视觉与模式识别
2024-08-14 v3
摘要
对于存在有限数量(通常为主观)视图的机器人应用，参数化表示如神经辐射场(NeRF)相对于非参数表示如Gaussian Splatting(GS)在视图与训练数据差异较大时具有更好的泛化能力；GS然而可以在更快的速度上进行渲染。我们开发了一种在两种表示之间进行转换的程序。我们的方法实现了NeRF(在 dissimilar views 上实现更佳的PSNR、SSIM和LPIPS，以及紧凑的表示)和GS(实时渲染和能够轻松修改表示)两者的优势；这些转换的计算成本相对于从头训练两种模型要小得多。
关键词
引用
@article{arxiv.2405.09717,
title = {From NeRFs to Gaussian Splats, and Back},
author = {Siming He and Zach Osman and Pratik Chaudhari},
journal= {arXiv preprint arXiv:2405.09717},
year = {2024}
}