可泛化的 NGP-SR：基于神经图形原始素的神经辐射场超分辨率
计算机视觉与模式识别
2026-03-23 v1
摘要
神经辐射场（NeRF）在实现照片级新视角合成方面取得了良好成果，但当需要高分辨率渲染时，计算成本会显著增加，因为高分辨率输出需要稠密采样和更高容量的模型。此外， naively 对每视图的渲染进行 2D 超分辨率常常破坏多视图一致性。我们提出了可泛化的 NGP-SR（Generalizable Neural Graphics Primitives Super-Resolution），这是一个 3D aware 超分辨率框架，从低分辨率（LR）带姿态图像直接重建高分辨率辐射场。基于神经图形原始素（Neural Graphics Primitives，NGP），NGP-SR 利用 3D 坐标和学习到的局部纹理标记来条件化辐射预测，从而在辐射场中恢复高频细节，并在无需外部高分辨率参考或后处理 2D 上采样的情况下生成视图一致的高分辨率新视角。重要的是，我们的模型是可泛化的：一旦训练好，就可以应用于未见过的场景，并从新视角进行渲染，而无需按场景进行优化。在多个数据集上的实验表明，NGP-SR 在重建质量和运行效率方面均一致优于先前基于 NeRF 的超分辨率方法，为可扩展的高分辨率新视角合成提供了实用解决方案。
引用
@article{arxiv.2603.20128,
title = {Generalizable NGP-SR: Generalizable Neural Radiance Fields Super-Resolution via Neural Graph Primitives},
author = {Wanqi Yuan and Omkar Sharad Mayekar and Connor Pennington and Nianyi Li},
journal= {arXiv preprint arXiv:2603.20128},
year = {2026}
}