Fused-Planes：为何训练数千个 Tri-Planes 而不共享？
计算机视觉与模式识别
2026-02-19 v3
摘要
Tri-Planar NeRF 通过使用 2D 平面结构来表示 3D 对象，使强大的 2D 视觉模型能够应用于 3D 任务。这使其成为建模大规模 3D 对象集合的首选方案。然而，训练 Tri-Planes 来建模此类大规模集合在计算上密集且仍然低效。这是因为当前方法独立地为每个对象训练一个 Tri-Plane，从而忽略了大规模对象类别中的结构相似性。针对这一问题，我们提出了 Fused-Planes，一种新型的对象表示方法，在保持相同平面结构的同时提升了 Tri-Planes 在重建对象类别时的资源效率。我们的方法通过一个潜在空间和一组全局共享的基础平面来显式捕捉跨对象的结构相似性。每个独立的 Fused-Planes 随后表示为对这些基础平面的分解，并辅以对象特定特征。Fused-Planes 在平面表示中展示了最先进的效率，训练速度比 Tri-Planes 快 7.2 倍，内存占用降低 3.2 倍，同时保持了渲染质量。一个超轻量变体进一步将每个对象的内存使用量降低了 1875 倍，且质量损失极小。我们的项目页面位于 https://fused-planes.github.io 。
引用
@article{arxiv.2410.23742,
title = {Fused-Planes: Why Train a Thousand Tri-Planes When You Can Share?},
author = {Karim Kassab and Antoine Schnepf and Jean-Yves Franceschi and Laurent Caraffa and Flavian Vasile and Jeremie Mary and Andrew Comport and Valérie Gouet-Brunet},
journal= {arXiv preprint arXiv:2410.23742},
year = {2026}
}
备注
Accepted at ICLR 2026. Available at https://fused-planes.github.io