FrugalNeRF：无需先验的极少量样本新视角合成快速收敛方法
计算机视觉与模式识别
2025-06-16 v3
摘要
神经辐射场（NeRF）在极少量样本（few-shot）场景中面临重大挑战，主要源于过拟合和训练时间过长。现有方法（如FreeNeRF和SparseNeRF）采用频率正则化或预训练先验，但在复杂调度和偏差处理上存在困难。我们提出了FrugalNeRF，一种新颖的少样本NeRF框架，利用跨尺度的权重共享体素来高效表示场景细节。我们的关键贡献是一种跨尺度几何自适应方案，该方案基于跨尺度的重投影误差选择伪地面真值深度。这在不依赖外部学习先验的情况下指导训练，从而充分利用训练数据。它还可以集成预训练先验，在不降低收敛速度的情况下提升质量。在LLFF、DTU和RealEstate-10K上的实验表明，FrugalNeRF在显著减少训练时间的同时，优于其他少样本NeRF方法，使其成为高效准确的3D场景重建的实用解决方案。
关键词
引用
@article{arxiv.2410.16271,
title = {FrugalNeRF: Fast Convergence for Extreme Few-shot Novel View Synthesis without Learned Priors},
author = {Chin-Yang Lin and Chung-Ho Wu and Chang-Han Yeh and Shih-Han Yen and Cheng Sun and Yu-Lun Liu},
journal= {arXiv preprint arXiv:2410.16271},
year = {2025}
}
备注
Paper accepted to CVPR 2025. Project page: https://linjohnss.github.io/frugalnerf/